YOLOv5口罩检测完整实战（二）：从现成数据集到训练、评估与摄像头识别

前言

在上一篇文章中，我们详细介绍了目标检测的基本概念、YOLO的核心思想以及YOLOv5的网络结构。本文正式进入完整实战阶段------使用一个已经标注好的口罩数据集训练YOLOv5s模型，实现mask与no-mask两类目标的检测，并最终在图片和摄像头实时画面上验证模型效果。

真实的目标检测项目往往面临一个核心问题：数据集的目录结构、标签格式、配置文件三者之间必须严格对应，任何一处不匹配都会导致训练失败。本文将从数据集检查开始，逐步完成环境配置、模型训练、结果评估和摄像头部署的全流程。所有命令均按照实际工程支持的参数编写，确保代码可直接运行。

本文使用的是较早期的YOLOv5 2.0工程版代码，它与当前通过ultralytics包调用的新版接口不同，但目标检测的核心数据格式和训练逻辑完全一致，学习价值不受影响。

整篇代码严格遵循工程化规范，超参数统一配置，训练流程清晰可复现，可直接迁移至其他目标检测数据集的训练任务中。文章适合具备Python基础、希望系统掌握YOLOv5训练流程的开发者。

项目效果展示

运行camera_mask.py后，摄像头画面中每张人脸会被矩形框标注，戴口罩的人脸显示绿色边框和mask标签，未戴口罩的人脸显示红色边框和no-mask标签，画面流畅实时。按q键即可退出程序。

一、完整工程代码

项目目录结构

训练命令

在yolov5_2_0目录下执行：

python train.py --data ../MaskDataSet/data.yaml --cfg models/yolov5s.yaml --weights weights/yolov5s.pt --hyp hyp.yaml --epochs 200 --batch-size 4 --img-size 640 640 --device cpu

摄像头推理命令

python camera_mask.py

二、技术原理概述

YOLOv5目标检测流程

YOLOv5从原始图片到检测结果经历以下步骤：

一次前向传播即可完成所有目标的定位和分类，这是YOLO能够实现实时检测的核心原因。

三、代码逐模块详细解析

3.1 依赖库与环境配置

import numpy as np
import torch
import cv2
import os
import yaml

功能说明：导入项目所需的基础依赖库，这些库在后续的数据加载、模型训练、图像处理和配置解析中都会使用。

逐库解析：

• numpy：Python科学计算核心库，在YOLOv5中承担数组运算、坐标变换、损失计算等任务。训练过程中的数据加载和预处理大量依赖其高效的向量化操作。
• torch：PyTorch深度学习框架的核心模块，提供了张量运算、自动求导、神经网络层定义等基础能力。YOLOv5的模型定义、前向传播和反向传播均基于PyTorch实现。
• cv2（OpenCV）：图像处理与可视化库，负责图片读取、视频帧捕获、图像预处理（缩放、色彩空间转换）以及检测结果的绘制（矩形框、文字标注）。
• os：操作系统接口模块，用于文件路径拼接、目录遍历和文件存在性检查，在数据加载和结果保存中发挥重要作用。
• yaml：YAML格式解析库，用于读取data.yaml和hyp.yaml配置文件，将训练参数和数据集路径加载为Python字典。

调试提示 ：在import torch后设置断点，执行torch.__version__查看PyTorch版本。若报错ModuleNotFoundError，说明当前Python环境中未安装PyTorch，需先激活正确的Conda环境或执行pip install torch。

3.2 数据配置文件（data.yaml）

train: ../MaskDataSet/train/images
val: ../MaskDataSet/valid/images
nc: 2
names: ['mask', 'no-mask']

功能说明 ：data.yaml是连接数据集与训练脚本的桥梁，定义了训练集、验证集的图片路径、类别数量和类别名称。训练脚本启动时首先读取此文件。

参数说明：

• train：字符串类型，训练集图片目录的路径，相对于训练脚本运行时的工作目录。由于训练时在yolov5_2_0目录下执行命令，../MaskDataSet表示"上一级目录中的MaskDataSet文件夹"。
• val：字符串类型，验证集图片目录的路径。
• nc：整数类型，类别数量（number of classes）。本项目为2类：戴口罩和未戴口罩。
• names：字符串列表，类别名称。顺序必须与标签文件中的class_id完全一致 ------标签中0对应列表第0项mask，1对应第1项no-mask。

调试提示 ：若训练时出现No labels found或Dataset not found错误，首先检查当前工作目录是否为yolov5_2_0。执行cd命令查看当前路径，若不是则切换到正确目录。

3.3 YOLO标签文件格式

每张图片对应一个同名的标签文件。例如train/images/person_001.jpg对应train/labels/person_001.txt。

标签文件中每一行表示一个目标物体：

class_id x_center y_center width height

参数说明：

• class_id：整数类型，类别编号，从0开始。本项目规定0=mask，1=no-mask。
• x_center：浮点数，目标中心点的x坐标，归一化到0~1（实际像素坐标除以图片宽度）。
• y_center：浮点数，目标中心点的y坐标，归一化到0~1（实际像素坐标除以图片高度）。
• width：浮点数，目标宽度，归一化到0~1（实际像素宽度除以图片宽度）。
• height：浮点数，目标高度，归一化到0~1（实际像素高度除以图片高度）。

示例标签文件内容：

0 0.515625 0.462500 0.187500 0.325000
1 0.243750 0.510000 0.162500 0.290000

第一行表示类别0（mask），第二行表示类别1（no-mask）。一张图中有多个人脸就有多少行。

为什么坐标必须归一化：YOLO模型在训练时会动态调整输入图片的尺寸（通过Letterbox保持宽高比）。若坐标是绝对值（像素值），缩放后坐标将完全错位。归一化坐标使得标签与图片尺寸解耦，无论输入尺寸如何变化，坐标始终在0~1范围内有效，模型可直接使用。

3.4 训练命令逐项详解

python train.py ^
  --data ../MaskDataSet/data.yaml ^
  --cfg models/yolov5s.yaml ^
  --weights weights/yolov5s.pt ^
  --hyp hyp.yaml ^
  --epochs 200 ^
  --batch-size 4 ^
  --img-size 640 640 ^
  --device cpu

功能说明 ：train.py是YOLOv5的训练脚本，通过命令行参数控制训练的全部配置。以下逐项解释每个参数的作用和选择依据。

参数详解：

• --data：数据类型为字符串，无默认值（必填）。指定数据集配置文件的路径，脚本从此文件读取训练/验证目录、类别数和类别名。路径相对于运行命令时的工作目录。
• --cfg：数据类型为字符串，无默认值（必填）。指定模型结构配置文件的路径，定义网络的层数、通道数等架构参数。本项目选择yolov5s.yaml------YOLOv5s是系列中参数最少、速度最快的版本。
• --weights：数据类型为字符串，无默认值（必填）。指定初始化权重的路径。填写weights/yolov5s.pt表示从COCO预训练权重开始迁移学习，而非随机初始化。
• --hyp：数据类型为字符串，默认hyp.yaml。超参数配置文件路径，控制学习率、动量、数据增强强度等训练细节。
• --epochs：数据类型为整数，默认300。完整遍历训练集的次数。200个epoch意味着模型会200次看到全部训练图片，每次经过随机数据增强，相当于看到200倍的数据量。
• --batch-size：数据类型为整数，默认16。每次迭代送入模型的图片数量。CPU环境下建议使用较小的值（如4），避免内存溢出。batch越大，每个epoch的迭代次数越少，但单次迭代内存占用越高。
• --img-size：两个整数，默认640 640。分别指定训练和验证时的输入尺寸。640×640是YOLOv5的默认尺寸，在速度和精度之间取得平衡。
• --device：数据类型为字符串，默认cpu。指定运算设备：cpu表示使用CPU，0表示使用第一块GPU，0,1表示使用多块GPU。

为什么选择YOLOv5s：YOLOv5s参数量最小，推理速度最快，适合在CPU上运行。对于仅有149张图片的小数据集，大模型（如YOLOv5x）更容易过拟合，且训练时间显著增加。

为什么从预训练权重开始：COCO数据集包含80个类别、超过30万张图片，模型已学会通用的边缘、纹理和物体结构特征。在小数据集上从零训练（随机初始化）几乎必然过拟合。迁移学习只需在口罩数据上微调少量参数，即可获得良好的泛化性能。

3.5 验证模型与分类别指标

python test.py ^
  --weights runs\exp17\weights\best.pt ^
  --data ..\MaskDataSet\data.yaml ^
  --batch-size 4 ^
  --img-size 640 ^
  --conf-thres 0.001 ^
  --iou-thres 0.5 ^
  --device cpu ^
  --verbose

参数说明：

• --conf-thres 0.001：评估时使用极低的置信度阈值，目的是收集足够多的候选框来绘制完整的Precision-Recall曲线。这与实际展示结果时常用的0.25不同------评估需要覆盖所有可能的置信度水平。
• --verbose：输出每个类别的独立指标，而非仅输出汇总的all行。在类别失衡时，汇总行会掩盖少数类的问题。

本项目的实际验证结果（exp17，200 epochs）：

类别	Images	Targets	Precision	Recall	mAP@0.5	mAP@0.5:0.95
all	29	162	0.671	0.905	0.872	0.557
mask	29	142	0.819	0.880	0.913	0.588
no-mask	29	20	0.522	0.930	0.830	0.526

结果解读：

总体mAP@0.5=0.872，表面上看效果不错，但不能因此认为模型在所有场景都表现良好。

no-mask的Recall为0.930，说明验证集中93%的未戴口罩目标被模型找到；但Precision仅0.522，说明该类别预测不够稳定，存在较多误报。验证集中只有20个no-mask框，样本规模不足以全面代表真实摄像头环境------这是当前模型的主要瓶颈。

图7 分类别指标输出截图（此处建议放置终端中test.py --verbose输出的表格截图，高亮显示no-mask行的Precision和Recall）

3.6 摄像头实时推理代码解析

# 加载模型
model = attempt_load(str(WEIGHTS_PATH), map_location=DEVICE)
model.eval()

# 打开摄像头
cap = cv2.VideoCapture(0)

while True:
    ok, frame = cap.read()
    if not ok:
        break
    
    # Letterbox保持宽高比缩放
    img = letterbox(frame, new_shape=IMG_SIZE)[0]
    
    # BGR→RGB，HWC→CHW
    img = img[:, :, ::-1].transpose(2, 0, 1)
    img = np.ascontiguousarray(img)
    
    # 转为张量并归一化
    img_tensor = torch.from_numpy(img).to(DEVICE).float() / 255.0
    img_tensor = img_tensor.unsqueeze(0)
    
    # 推理
    with torch.no_grad():
        prediction = model(img_tensor)[0]
    
    # NMS去重
    prediction = non_max_suppression(prediction, conf_thres=NMS_CONF, iou_thres=IOU_THRESH)
    
    # 缩放坐标回原图并绘制
    # ...（绘制逻辑）
    
    cv2.imshow("Camera Face Landmark", frame)
    if cv2.waitKey(1) == 27:
        break

功能说明 ：camera_mask.py读取摄像头每一帧，经过预处理后送入模型推理，最后在画面上绘制检测结果。

关键步骤解析：

1. model.eval()：将模型切换到推理模式，调整BatchNorm和Dropout层的行为------BatchNorm使用训练时的全局统计量而非当前batch的统计量，Dropout层则完全关闭。这一步虽小，但直接影响推理结果的稳定性。
2. letterbox(frame, new_shape=IMG_SIZE)[0]：保持宽高比缩放并补边，避免直接拉伸导致人脸比例失真。旧版YOLOv5 2.0的letterbox()不接受stride参数，这是旧版与新版的区别之一。
3. img[:, :, ::-1].transpose(2, 0, 1)：OpenCV读取的是BGR格式，模型训练时使用RGB格式，因此通过::-1反转通道顺序；同时将[H,W,C]转为[C,H,W]以满足PyTorch的输入要求。
4. torch.no_grad()：关闭梯度记录，大幅减少内存占用并加速推理。推理时不需要反向传播，因此无需记录中间变量的梯度。
5. non_max_suppression：NMS去重，删除高重叠度的重复框，保留置信度最高的那个。

调试提示 ：在prediction = model(img_tensor)[0]后设置断点，查看prediction的形状为[N, 6]，其中6列分别为[x1, y1, x2, y2, conf, cls]，N为检测到的目标数。若N=0，说明模型未检测到任何目标，可能是置信度阈值过高或画面中无人脸。

图8 摄像头实时检测运行截图（此处建议放置摄像头运行时终端和图像窗口的并列截图，显示检测结果和终端输出的帧率信息）

四、完整运行流程

第一步：安装依赖

pip install numpy torch opencv-python pyyaml

第二步：下载YOLOv5工程代码

从GitHub克隆YOLOv5 2.0版本或使用已有工程文件。

第三步：准备数据集

将标注好的口罩数据集按以下结构放置：

MaskDataSet/
├── train/
│   ├── images/    # 训练图片
│   └── labels/    # 训练标签
├── valid/
│   ├── images/    # 验证图片
│   └── labels/    # 验证标签
└── data.yaml      # 配置文件

第四步：下载预训练权重

将yolov5s.pt放入yolov5_2_0/weights/目录。

第五步：激活Conda环境（如使用Conda）

conda activate pytorch

第六步：切换到工程目录并开始训练

cd /d D:\Mask_YOLO\yolov5_2_0
python train.py --data ../MaskDataSet/data.yaml --cfg models/yolov5s.yaml --weights weights/yolov5s.pt --hyp hyp.yaml --epochs 200 --batch-size 4 --img-size 640 640 --device cpu

第七步：验证模型

python test.py --weights runs/exp17/weights/best.pt --data ../MaskDataSet/data.yaml --verbose --device cpu

第八步：摄像头实时推理

python camera_mask.py

按q键退出程序。

五、常见问题与解决

问题1：ModuleNotFoundError: No module named 'torch'

原因：当前Python环境中未安装PyTorch。

解决方法 ：先执行conda activate pytorch激活正确环境，或执行pip install torch安装PyTorch。

问题2：训练时报错No labels found

原因：数据集目录结构不正确，或图片与标签文件名不一致。

解决方法：

• 确认目录名为images和labels，拼写无误
• 确认每张图片都有同名（不含扩展名）的.txt标签文件
• 确认从yolov5_2_0目录启动训练

问题3：训练时报错Dataset not found

原因 ：data.yaml中的路径无法正确解析。

解决方法：

• 执行cd确认当前工作目录是否为yolov5_2_0
• 检查data.yaml中的路径是否写为../MaskDataSet/train/images（相对路径）

问题4：类别名称显示反了

原因 ：标签文件中的class_id与data.yaml中的names列表顺序不对应。

解决方法 ：检查标签文件中0代表mask还是no-mask，确保names: ['mask', 'no-mask']中索引0对应mask。若标签中0实际为no-mask，应改为names: ['no-mask', 'mask']。

问题5：摄像头无法打开

原因：摄像头被其他程序占用，或设备ID不正确。

解决方法：

• 关闭微信、会议软件等可能占用摄像头的程序
• 尝试将cv2.VideoCapture(0)改为cv2.VideoCapture(1)
• 检查Windows摄像头权限设置

问题6：CPU训练极慢

原因：CPU算力有限，200个epoch耗时数天。

解决方法：

• 安装GPU版PyTorch并使用--device 0
• 减少epochs（如100）先验证流程
• 减小--img-size（如416）
• 减小--batch-size减少内存压力

问题7：训练日志显示0G

原因 ：日志中的0G表示未使用GPU显存，说明当前运行在CPU上。

解决方法 ：这不是错误。若想使用GPU，需安装CUDA版PyTorch并指定--device 0。

问题8：运行test.py时报错np.int不存在

原因 ：旧版YOLOv5代码使用了新版NumPy已移除的np.int。

解决方法 ：在test.py中找到np.int并替换为内置int。

问题9：摄像头检测全部识别为mask

原因：类别失衡，no-mask样本太少；或训练数据与摄像头场景差异过大。

解决方法：

• 补充实际摄像头拍摄的no-mask样本重新训练
• 验证集指标不代表真实场景效果，需实际测试

问题10：运行camera_mask.py报错letterbox()参数错误

原因 ：新版教程中letterbox有stride参数，但YOLOv5 2.0的letterbox()没有该参数。

解决方法 ：将letterbox(frame, new_shape=IMG_SIZE, stride=stride)改为letterbox(frame, new_shape=IMG_SIZE)[0]。

六、性能优化建议

CPU推理优化：

• 降低输入尺寸：IMG_SIZE从640降至416，可提升约40%推理速度，但可能降低小目标检测精度
• 跳帧处理：每2~3帧执行一次检测，中间帧复用前一帧结果
• 降低摄像头分辨率：cap.set(cv2.CAP_PROP_FRAME_WIDTH, 320)减少预处理计算量

GPU推理优化：

• 安装CUDA版PyTorch并指定--device 0
• 使用半精度推理：model.half() + img_tensor.half()
• 批量推理：多张图片合并为一个batch同时处理

训练优化：

• 使用GPU训练可大幅缩短训练时间（从数天缩短至数小时）
• 适当增大batch size（如16或32）提升GPU利用率
• 使用更小的模型（YOLOv5n）进一步加速

七、项目扩展方向

• 增加错误佩戴检测 ：新增incorrect-mask类别，检测口罩未遮住鼻子等错误佩戴情况
• 多目标扩展：在口罩检测基础上增加人脸识别、情绪识别等模块，构建综合人脸分析系统
• 批量处理：改造代码遍历文件夹内所有图片，实现批量自动判分
• 导出ONNX加速：将PyTorch模型导出为ONNX格式，使用ONNX Runtime或TensorRT加速推理
• 部署到边缘设备：将模型转换为TensorFlow Lite或NCNN格式，部署到手机或嵌入式设备
• Web可视化：接入Flask或FastAPI，提供网页端上传图片进行检测的接口

八、总结

本文基于YOLOv5s和口罩数据集，完整实现了目标检测项目的全流程------从数据集准备、环境配置、模型训练到结果评估和摄像头实时部署。核心要点总结如下：

1. 数据集规范 ：图片、标签、data.yaml三者必须严格对应，标签使用从0开始的类别编号和归一化xywh坐标，这是训练能够正常启动的前提。
2. 训练策略：小数据集必须从预训练权重开始迁移学习，而非随机初始化；使用YOLOv5s等小模型避免过拟合。
3. 指标解读：不能只看总体mAP，必须查看每个类别的Precision和Recall------类别失衡时总体指标会隐藏少数类的问题。
4. 推理一致性：训练和推理的预处理必须保持一致（都用Letterbox而非直接resize），否则目标形状改变会导致检测失败。
5. 持续迭代：模型指标好不等于摄像头效果好，实际部署后需收集失败样本重新训练，形成"训练→部署→采集→再训练"的闭环。

读者可根据本文的工程框架，将自己的数据集替换进来，快速训练出适用于其他目标检测场景（如车辆检测、行人检测）的模型。

参考资料

• Ultralytics YOLOv5 GitHub 仓库
• Ultralytics YOLOv5 自定义数据训练指南
• Roboflow：YOLOv5 PyTorch TXT 标注格式
• Roboflow：面向初学者的 YOLOv5 介绍
• PyTorch 官方文档