Windows 10下YOLOv5环境配置与训练实战指南1. 环境配置从零搭建GPU加速的深度学习环境对于刚接触计算机视觉的开发者来说环境配置往往是第一个拦路虎。在Windows系统上配置YOLOv5训练环境需要特别注意版本兼容性问题否则很容易陷入各种报错的泥潭。下面我将分享一套经过验证的配置方案帮助您快速搭建稳定的训练环境。核心组件版本选择Python 3.83.7-3.9均可CUDA 10.1cuDNN 7.6.5PyTorch 1.7.0cu101注意YOLOv5对PyTorch版本较敏感最新版可能要求PyTorch 1.10但1.7版本在兼容性和稳定性上表现最佳1.1 Anaconda环境配置首先通过Anaconda创建独立的Python环境避免污染系统环境conda create -n yolov5 python3.8 conda activate yolov51.2 CUDA与cuDNN安装从NVIDIA官网下载CUDA 10.1安装包安装时选择自定义安装取消Visual Studio Integration选项下载对应CUDA 10.1的cuDNN 7.6.5解压后将bin、include、lib文件复制到CUDA安装目录验证CUDA安装nvcc --version1.3 PyTorch GPU版安装使用精确版本指定命令安装PyTorchpip install torch1.7.0cu101 torchvision0.8.1cu101 torchaudio0.7.0 -f https://download.pytorch.org/whl/torch_stable.html安装后验证GPU可用性import torch print(torch.__version__) # 应输出1.7.0cu101 print(torch.cuda.is_available()) # 应输出True常见问题解决方案遇到OSError: [WinError 126]错误时通常是因为缺少VC运行库安装最新版VC_redist即可解决如果CUDA不可用检查环境变量PATH是否包含CUDA的bin和lib路径2. YOLOv5源码部署与测试2.1 获取源码与依赖安装克隆官方仓库并安装依赖git clone https://github.com/ultralytics/yolov5 cd yolov5 pip install -r requirements.txt提示国内用户可以使用-i https://pypi.tuna.tsinghua.edu.cn/simple加速安装2.2 预训练模型测试下载官方预训练权重python -c from utils.downloads import attempt_download; attempt_download(yolov5s.pt)运行测试命令python detect.py --weights yolov5s.pt --source data/images/bus.jpg --conf 0.25测试结果会保存在runs/detect/exp目录下。如果能看到检测结果的图片说明环境配置成功。3. 自定义数据集训练全流程3.1 数据集准备与标注YOLOv5支持多种标注格式推荐使用YOLO格式数据集目录结构 ├── images │ ├── train │ └── val └── labels ├── train └── val每个标注文件对应同名图片内容格式为class_id x_center y_center width height推荐使用LabelImg或CVAT进行标注导出YOLO格式。3.2 配置文件修改创建数据集配置文件data/mydata.yamltrain: ../datasets/mydata/images/train val: ../datasets/mydata/images/val nc: 3 # 类别数量 names: [cat, dog, person] # 类别名称修改模型配置文件models/yolov5s.yaml只需更改nc值为你的类别数。3.3 训练参数调优启动训练的基本命令python train.py --img 640 --batch 16 --epochs 100 --data data/mydata.yaml --cfg models/yolov5s.yaml --weights yolov5s.pt --device 0关键参数说明参数推荐值说明--img640输入图像尺寸--batch8-32根据GPU显存调整--epochs100-300简单数据集可减少--weightsyolov5s.pt使用预训练权重--device0指定GPU编号进阶技巧添加--rect参数启用矩形训练提升小目标检测效果使用--adam替代默认的SGD优化器可能获得更快收敛添加--multi-scale启用多尺度训练增强模型鲁棒性4. 模型评估与部署应用4.1 性能评估指标运行测试脚本获取mAP等指标python val.py --weights runs/train/exp/weights/best.pt --data data/mydata.yaml --img 640重点关注以下指标mAP0.5: 常见目标检测指标mAP0.5:0.95: 更严格的综合指标Precision/Recall: 查准率与查全率F1-score: 精确率与召回率的调和平均4.2 模型导出与部署YOLOv5支持多种导出格式python export.py --weights runs/train/exp/weights/best.pt --include torchscript onnx导出选项对比格式优点适用场景PyTorch保留全部功能继续训练或研究TorchScript高性能C部署ONNX跨平台TensorRT等推理引擎CoreML苹果生态iOS/macOS应用4.3 实际应用示例使用训练好的模型进行推理import torch model torch.hub.load(ultralytics/yolov5, custom, pathruns/train/exp/weights/best.pt) results model(input.jpg) results.show() # 显示结果 results.save() # 保存结果对于视频流处理import cv2 cap cv2.VideoCapture(0) # 摄像头 while cap.isOpened(): ret, frame cap.read() if not ret: break results model(frame) cv2.imshow(YOLOv5, np.squeeze(results.render())) if cv2.waitKey(1) ord(q): break在实际项目中我发现合理调整置信度阈值能显著改善使用体验。对于安防场景可以将--conf设为0.6减少误报而对于医疗影像分析可能需要降低到0.3以避免漏检关键目标。