【【零基础保姆级】YOLOv5 v2.0 环境搭建 + 口罩检测自定义数据集训练教程（Windows CPU 版）下】

前言

上一篇教程已完成 YOLOv5 v2.0 口罩检测模型训练（mAP@.5 86.5%），彻底解决了环境兼容、版本报错、训练闪退等问题。本文聚焦 全场景口罩检测实操，一次性讲解三种核心用法 ------ 本地图片检测、本地视频检测、摄像头实时识别，全程纯 CPU 运行，无需额外配置，所有命令 / 代码可直接复制，衔接训练成果，快速完成课设、毕设全流程演示，新手零踩坑、零冗余操作。

本文适配 Windows 系统、PyCharm 环境，严格衔接上一篇训练好的口罩模型，不新增任何复杂依赖，手把手教你从 "模型训练完成" 到 "全场景检测落地"，实现口罩检测项目闭环。

一、前置准备（必看，确保一次成功）

启动检测前，先确认 3 个核心条件（已完成模型训练的同学可直接跳过）：

模型就绪：已训练好口罩二分类模型（戴口罩 / 未戴口罩），模型路径固定为：yolov5\runs\exp13_mask_train_exp\weights\best_mask_train_exp.pt（全程复用，无需重新训练）；
环境正常：已安装 YOLOv5 所有依赖（终端运行 pip install -r requirements.txt），无 numpy、torch 版本报错，之前的 np.int 兼容问题已修复；
文件就绪：提前准备好待检测的口罩图片、视频（可选），确保电脑摄像头可用（无遮挡、未被其他软件占用）。

二、全场景检测实现（三种方式，任选其一 / 全部尝试）

方式一：本地图片检测

适合快速验证模型效果，批量检测本地口罩图片，操作最简单，无需复杂设置。

方法 1：命令行运行（无需改代码，零风险）

1.放置图片：将需要检测的口罩图片（格式不限，jpg/png 均可），放入 YOLOv5 目录下的 inference\images 文件夹（原代码默认路径，不用新建）；

2.打开终端：PyCharm 底部「Terminal」，确保当前路径为 D:\software\Pycharm\yolov5（yolov5 根目录）；

3.复制命令，回车运行（直接运行就行）：

python 复制代码

python detect.py --weights runs/exp13_mask_train_exp/weights/best_mask_train_exp.pt --source inference/images --device cpu --view-img --conf-thres 0.4

方法 2：修改代码，一键运行

若想后续点击 "运行" 就检测图片，可修改 detect.py 默认参数，永久生效：

打开 detect.py，拉到文件最底部，找到参数定义部分，替换以下 4 行代码：

python 复制代码

# 1. 权重路径：改为训练好的口罩模型
parser.add_argument('--weights', nargs='+', type=str, default='runs/exp13_mask_train_exp/weights/best_mask_train_exp.pt', help='model.pt path(s)')
# 2. 检测来源：默认检测 inference/images 文件夹下的所有图片
parser.add_argument('--source', type=str, default='inference/images', help='source')
# 3. 运行设备：强制CPU，避免显卡报错
parser.add_argument('--device', default='cpu', help='cuda device, i.e. 0 or 0,1,2,3 or cpu')
# 4. 弹窗显示检测结果，方便查看
parser.add_argument('--view-img', action='store_true', help='display results')

2.保存代码（Ctrl+S），点击 PyCharm 右上角「运行」，自动检测图片并弹窗显示结果。

图片检测补充说明

• 检测结果保存：所有画好框、标好类别的图片，自动保存到 yolov5\inference\output 文件夹；

• 批量检测：只需将所有图片放入 inference\images，命令 / 代码无需修改，会自动批量处理；

• 识别效果：戴口罩标注 mask + 置信度，未戴口罩标注 no-mask + 置信度，置信度越高，识别越准确。

方式二：本地视频检测

可检测本地口罩相关视频，自动识别视频中每一帧的口罩佩戴情况，生成带检测框的视频文件，适合课设汇报演示。

方法 1：命令行运行（无需改代码）

放置视频：将待检测的视频（推荐 mp4 格式），放入 YOLOv5 根目录（与 detect.py 同级）；
终端输入命令（替换口罩视频.mp4 为你的视频文件名）

python 复制代码

python detect.py --weights runs/exp13_mask_train_exp/weights/best_mask_train_exp.pt --source 口罩视频.mp4 --device cpu --view-img --conf-thres 0.4 --save-video

方法 2：修改代码，一键检测视频

打开 detect.py，修改底部参数（仅改 --source 和 --save-video）：

python 复制代码

# 其他参数不变，仅修改以下2行
parser.add_argument('--source', type=str, default='口罩视频.mp4', help='source')  # 替换为你的视频文件名
parser.add_argument('--save-video', action='store_true', help='save video results')  # 新增，用于保存检测后的视频

保存代码，点击运行，自动启动视频检测。

视频检测补充说明

• 参数 --save-video：核心参数，用于保存检测后的视频（带口罩检测框），不添加则只弹窗显示，不保存；

• 视频保存路径：检测后的视频自动保存到 yolov5\inference\output 文件夹，文件名与原视频一致；

• 格式兼容：优先使用 mp4 格式，其他格式（如 avi、mov）可能出现无法检测的情况，可提前转换格式；

• 运行速度：CPU 运行视频检测会轻微卡顿，属于正常现象，耐心等待即可。

方式三：摄像头实时口罩识别

调用电脑本地摄像头，实时识别画面中人脸的口罩佩戴情况，弹窗显示实时画面，适合现场演示、小型场景部署，是课设 / 毕设的核心展示环节。

方法 1：命令行运行（推荐，无需改代码）

终端复制以下命令，回车直接启动摄像头，无需修改任何代码：

python 复制代码

python detect.py --weights runs/exp13_mask_train_exp/weights/best_mask_train_exp.pt --source 0 --device cpu --view-img --conf-thres 0.4

方法 2：修改代码，一键启动摄像头

打开 detect.py，修改底部 3 个核心参数：

python 复制代码

# 1. 权重路径：训练好的口罩模型
parser.add_argument('--weights', nargs='+', type=str, default='runs/exp13_mask_train_exp/weights/best_mask_train_exp.pt', help='model.pt path(s)')
# 2. 检测来源：0 = 本地默认摄像头（外接摄像头可改为1）
parser.add_argument('--source', type=str, default='0', help='source')  # 0 for webcam
# 3. 强制CPU，弹窗显示实时画面
parser.add_argument('--device', default='cpu', help='cuda device, i.e. 0 or 0,1,2,3 or cpu')
parser.add_argument('--view-img', action='store_true', help='display results')

保存代码，点击运行，自动弹出摄像头实时窗口，开始口罩识别。

摄像头实时检测使用说明

启动后，弹窗显示摄像头画面，人脸进入画面后，自动框选并标注：
- 戴口罩：彩色框 + mask + 置信度（如 mask 0.92，代表 92% 概率戴口罩）；
- 未戴口罩：彩色框 + no-mask + 置信度；
退出方式：在摄像头窗口处于激活状态时，按键盘 q 键（一定要点击弹窗再按 q，否则无效）
画面卡顿解决：CPU 算力有限，轻微卡顿正常，可添加参数 --img-size 480 降低画面尺寸，提升速度（命令如下）
python 复制代码
```
python detect.py --weights runs/exp13_mask_train_exp/weights/best_mask_train_exp.pt --source 0 --device cpu --view-img --conf-thres 0.4 --img-size 480
```
外接摄像头：若使用 USB 外接摄像头，将 --source 0 改为 --source 1 尝试，若仍无法识别，关闭其他占用摄像头的软件。

三、三种检测方式核心参数统一说明

参数	作用	推荐设置
`--weights`	指定训练好的口罩模型	固定为 `runs/exp13_mask_train_exp/weights/best_mask_train_exp.pt`
`--source`	检测来源	图片：`inference/images`；视频：视频文件名；摄像头：`0`
`--device cpu`	运行设备	无独立显卡必加，避免报错
`--view-img`	弹窗显示检测结果	建议开启，方便实时查看效果
`--conf-thres 0.4`	置信度阈值	低于 40% 的检测结果会被过滤，减少误识别
`--save-video`	保存视频检测结果	视频检测必加，图片检测无需添加
`--img-size 480`	检测画面尺寸	卡顿严重时添加，降低尺寸提升速度

四、常见问题排查（新手必看，避坑指南）

1. 检测失败，提示 "模型路径错误"

原因：--weights 参数路径写错，或模型文件 best_mask_train_exp.pt 不存在；
解决：核对模型路径，确保路径为 runs/exp13_mask_train_exp/weights/best_mask_train_exp.pt，若路径不一致，修改命令 / 代码中的路径。

2. 图片 / 视频无法检测，提示 "no images/video found"

原因：图片 / 视频放置路径错误，或文件名包含中文、特殊字符；
解决：图片放入 inference/images，视频放入 yolov5 根目录，文件名改为英文（如 mask_video.mp4），避免空格、中文。

3. 摄像头黑屏 / 打不开

原因 1：摄像头被微信、浏览器、钉钉等软件占用；
解决 1：关闭所有占用摄像头的软件，重新运行命令 / 代码；
原因 2：电脑未允许应用访问摄像头；
解决 2：Windows 设置 → 隐私和安全性 → 摄像头 → 开启 "允许应用访问你的摄像头"，并允许 PyCharm 访问。

4. 误识别严重（将其他物体识别为口罩）

原因：置信度阈值太低，或训练数据集有限；
解决：将 --conf-thres 0.4 改为 0.5，过滤低概率误识别结果；若仍有问题，可补充口罩训练数据，重新训练模型。

5. 运行报错 "no module named xxx"

原因：依赖库未安装完整，或环境冲突；
解决：终端运行 pip install -r requirements.txt，重新安装所有依赖，确保 Python 版本为 3.9（兼容性最佳）。

五、项目完整闭环总结

到本文为止，我们的 YOLOv5 口罩检测项目已实现全流程闭环，从基础准备到全场景落地，全程纯 CPU 运行，新手可 1:1 复刻：

前期准备：数据集制作（口罩图片 + 标签）→ YOLOv5 v2.0 环境搭建 → 模型训练（mAP@.5 86.5%）；
全场景检测：本地图片检测 → 本地视频检测 → 摄像头实时识别；
核心优势：操作简单、无需独立显卡、所有命令 / 代码可直接复制、报错可快速排查，完美适配课程设计、毕业设计、小型场景演示。

六、拓展建议

录制实时检测视频：摄像头检测时，添加 --save-video 参数，可录制实时检测画面，保存到 inference/output，方便汇报演示；
批量处理图片 / 视频：图片检测时，将所有图片放入 inference/images；视频检测时，可批量修改 --source 参数，一次性处理多个视频；
提升检测速度：若有独立显卡，删除命令 / 代码中的 --device cpu，自动调用 GPU 运行，检测速度提升 5-10 倍；
优化识别精度：补充更多不同场景的口罩图片（如不同光线、不同角度），重新训练模型，进一步提升识别准确率。

结尾

本文详细讲解了 YOLOv5 口罩检测的三种核心场景，衔接上一篇模型训练教程，实现从 "训练" 到 "落地" 的完整闭环。所有操作均经过实操验证，新手跟着步骤走，无需复杂调试，就能快速完成全场景口罩检测。若遇到其他报错或疑问，可在评论区留言，及时排查解决，助力大家顺利完成课设、毕设！