簡介基于YOLOv5算法實現(xiàn)的絕緣子及絕緣子缺陷識別檢測系統(tǒng)面向電力巡檢、計算機視覺學(xué)習(xí)者與深度學(xué)習(xí)開發(fā)者解決輸電線路中絕緣子目標(biāo)檢測與缺陷定位的實際問題。資源包含完整Python源碼、訓(xùn)練好的模型文件、多種評估指標(biāo)曲線及詳細(xì)使用說明迭代200輪后模型擬合較好可識別“絕緣子”與“絕緣子缺陷”兩類目標(biāo)。包體共78個文件涵蓋py源碼與pyc編譯文件、yaml配置、pt權(quán)重、jpg/png示例圖像、txt說明、sh腳本及dockerfile等壓縮包約41.2MB結(jié)構(gòu)清晰便于直接部署和二次訓(xùn)練。目前已有702人學(xué)習(xí)下載。資源覆蓋從數(shù)據(jù)準(zhǔn)備、模型訓(xùn)練到評估推理的完整流程訓(xùn)練曲線、召回率、精確率與mAP等指標(biāo)齊全適合用于畢業(yè)設(shè)計、課程項目或工程實踐參考能夠幫助使用者快速搭建檢測環(huán)境并理解YOLOv5在電力場景下的應(yīng)用細(xì)節(jié)。1. 這套基于 YOLOv5 的絕緣子缺陷識別資源能幫你省掉三周調(diào)參時間我剛拆完這套基于 YOLOv5 實現(xiàn)的絕緣子及絕緣子缺陷檢測 Python 源碼包先說結(jié)論對于做計算機視覺大作業(yè)、電網(wǎng)巡檢項目預(yù)研或深度學(xué)習(xí)入門的從業(yè)者這是一套少見的完整閉環(huán)資源不是那種只有 train.py 的殘缺代碼。它的核心價值在于直接從絕緣子檢測的預(yù)訓(xùn)練模型起步迭代 200 次就能收斂同時附帶 precision-recall 曲線、mAP、召回率等全套評估指標(biāo)曲線能直觀看到模型擬合過程。yolov5s.pt 權(quán)重、模型文件、推理腳本和評估指標(biāo)曲線都在壓縮包里解壓后按照使用說明.txt 的操作步驟就能把訓(xùn)練跑起來特別適合剛接觸深度學(xué)習(xí)和 YOLOv5 的人群。本文我會把訓(xùn)練配置、數(shù)據(jù)集格式、評估指標(biāo)讀法、踩坑記錄全部拆一遍照著做基本能把這套絕緣子缺陷檢測系統(tǒng)復(fù)現(xiàn)出來并快速出結(jié)果。2. 拆解代碼包結(jié)構(gòu)官方的 YOLOv5 骨架針對兩類目標(biāo)微調(diào)過的權(quán)重2.1 壓縮包內(nèi)部目錄每個文件夾里裝了什么先把壓縮包解開看下代碼分布。資源包的核心目錄結(jié)構(gòu)和常見 YOLOv5 項目一致只是針對絕緣子場景做了定制訓(xùn)練。按功能可以分成三組訓(xùn)練與推理腳本、模型配置、訓(xùn)練產(chǎn)出物。工程根目錄下有train.py、detect.py、test.py、sotabench.py四個主要腳本。train.py負(fù)責(zé)訓(xùn)練主流程detect.py負(fù)責(zé)對圖片或視頻做推理test.py用于在測試集上輸出 mAP 等指標(biāo)sotabench.py是給 SOTA Bench 平臺提交結(jié)果用的輔助腳本。onnx.py是 YOLOv5 早期版本自帶的 ONNX 導(dǎo)出工具requirements.txt是 Python 依賴清單。真正有參考價值的訓(xùn)練產(chǎn)物全在runs/exp_insulator_defect里面這個目錄是 YOLOv5 訓(xùn)練過程中自動生成的實驗記錄文件夾。weights目錄里存放的是訓(xùn)練好的模型權(quán)重包含yolov5s.pt和訓(xùn)練完成后的最佳權(quán)重在 YOLOv5 中末尾帶_best后綴或位于runs/exp_insulator_defect/weights/best.pt的模型用于最終推理。utils目錄是通用工具腳本models目錄定義網(wǎng)絡(luò)結(jié)構(gòu)。data目錄存放數(shù)據(jù)集配置文件這個包中因為數(shù)據(jù)集體積問題沒有放進(jìn)壓縮包需要自己準(zhǔn)備好數(shù)據(jù)路徑。inference目錄存測試圖片。以下是代碼包的核心文件定位標(biāo)注了每個文件在本次絕緣子缺陷檢測場景中的用途路徑類型功能yolov5_code/train.py訓(xùn)練入口用--data insulator.yaml指定絕緣子數(shù)據(jù)集啟動訓(xùn)練yolov5_code/models/yolov5s.yaml網(wǎng)絡(luò)結(jié)構(gòu)定義 yolov5s 的 depth_multiple 和 width_multipleyolov5_code/runs/exp_insulator_defect/訓(xùn)練記錄包含opt.yaml訓(xùn)練超參數(shù)、results.txt指標(biāo)曲線數(shù)據(jù)yolov5_code/runs/exp_insulator_defect/weights/best.pt訓(xùn)練產(chǎn)物200 輪訓(xùn)練收斂后的最佳權(quán)重yolov5_code/runs/exp_insulator_defect/labels.png數(shù)據(jù)可視化標(biāo)注框中心點與尺寸分布用于檢查標(biāo)注質(zhì)量yolov5_code/detect.py推理腳本加載模型后對測試圖進(jìn)行檢測畫框2.2 網(wǎng)路骨架為什么選 yolov5s 而不是 yolov5m 或 yolov5l這套資源選擇yolov5s.pt作為初始權(quán)重我認(rèn)為考慮目標(biāo)尺寸和算力兩方面的性價比。絕緣子在航拍巡檢圖中屬于中小目標(biāo)但單個目標(biāo)的尺寸通常幾十到上百像素不等而且絕緣子串具有長條狀特征。yolov5s 的 Base C3 結(jié)構(gòu)和 PANet 特征融合對這類目標(biāo)的檢測是有優(yōu)勢的?？茨Ｐ团渲梦募牟町惾绻阋陌姹究梢哉{(diào)整depth_multiple和width_multiple兩個參數(shù)。在models/yolov5s.yaml中默認(rèn)是depth_multiple: 0.33、width_multiple: 0.50。如果換用 yolov5m 則改成0.67和0.75yolov5l 則更寬。這個資源在 200 輪迭代內(nèi)能擬合原因在于初始權(quán)重yolov5s.pt是在 COCO 數(shù)據(jù)集上預(yù)訓(xùn)練的對通用物體已有特征提取能力微調(diào)時只需要調(diào)整后面幾層的分類頭。下面我從train.py中抽了幾行實際訓(xùn)練相關(guān)的關(guān)鍵調(diào)用方便你看懂訓(xùn)練參數(shù)入口是怎么組織起來的# train.py 核心邏輯YOLOv5官方結(jié)構(gòu) parser.add_argument(--weights, typestr, defaultweights/yolov5s.pt, helpinitial weights path) parser.add_argument(--data, typestr, defaultdata/insulator.yaml, helpdataset.yaml path) parser.add_argument(--epochs, typeint, default200) parser.add_argument(--batch-size, typeint, default16) parser.add_argument(--img-size, nargs, typeint, default[640, 640], helptrain,val sizes)--weights指定預(yù)訓(xùn)練權(quán)重--data指定數(shù)據(jù)配置文件--epochs 200表示訓(xùn)練 200 輪--batch-size 16在消費級顯卡上比較合適--img-size 640表示輸入圖片縮放尺寸。這套資源在runs/exp_insulator_defect/opt.yaml中可以回看當(dāng)時的完整訓(xùn)練參數(shù)這個文件由訓(xùn)練過程自動生成配合使用說明.txt 一起看就能完全還原訓(xùn)練環(huán)境。2.3 數(shù)據(jù)標(biāo)注為什么圖里必須既有絕緣子又有缺陷需要強調(diào)一個決定訓(xùn)練成敗的事識別 2 類目標(biāo)分別對應(yīng)標(biāo)簽中的 class 0 和 class 1。標(biāo)簽文件是 YOLO 格式的 txt每行對應(yīng)一個目標(biāo)框格式為class x_center y_center width height坐標(biāo)值是歸一化到 0~1 的浮點數(shù)。舉個例子一張 1280×720 的巡檢圖片如果絕緣子缺陷框左上角是 (100, 200)、右下角是 (300, 400)對應(yīng)的標(biāo)簽行寫法如下1 0.15625 0.41667 0.15625 0.27778這個結(jié)果用框?qū)挸詧D片總寬 1280 得到 200 / 1280 0.15625高度 200 / 720 ≈ 0.27778。類別1表示絕緣子缺陷0代表絕緣子標(biāo)簽文件與圖片文件同名存放后綴不同放在同一級 titles 目錄下。資源中的圖片以訓(xùn)練圖train_batch0.jpg、train_batch1.jpg、train_batch2.jpg等形式記錄在 runs 目錄里可以直觀看到數(shù)據(jù)增強后的標(biāo)注框效果。3. 把訓(xùn)練跑通train.py 參數(shù)逐項設(shè)置200 輪迭代的收斂判斷方法3.1 數(shù)據(jù)配置文件把兩個類別告訴 YOLOv5YOLOv5 要求你為數(shù)據(jù)集單獨寫一個 yaml 配置文件。資源包里的數(shù)據(jù)目錄因為體積原因沒有附帶原始訓(xùn)練圖需要把自己的數(shù)據(jù)集按結(jié)構(gòu)放好。下面是data/insulator.yaml的標(biāo)準(zhǔn)寫法直接照抄即可。# 絕緣子缺陷檢測數(shù)據(jù)集配置文件 train: ./datasets/insulator/images/train # 訓(xùn)練圖片路徑 val: ./datasets/insulator/images/val # 驗證圖片路徑 nc: 2 # 類別數(shù)量絕緣子 絕緣子缺陷 names: [insulator, insulator_defect] # 類別名列表順序與標(biāo)簽txt中的類ID對應(yīng)nc必須寫成 2否則訓(xùn)練時分類層輸出維度與標(biāo)簽文件不匹配。names數(shù)組的索引位置就是標(biāo)簽文件里的 class 數(shù)字寫成insulator_defect而非defect的原因是讓你在分析結(jié)果時能跟results.txt中的類別指標(biāo)對應(yīng)上。訓(xùn)練時把當(dāng)前目錄切到y(tǒng)olov5_code執(zhí)行以下命令python train.py --data data/insulator.yaml --weights weights/yolov5s.pt --epochs 200 --batch-size 16 --img-size 640 --device 0 --project runs --name exp_insulator_defect--device 0表示用第一塊 GPU如果用的是 CPU 訓(xùn)練則改成--device cpu并準(zhǔn)備做好等一夜的心理準(zhǔn)備。--project runs指定輸出目錄--name exp_insulator_defect會將訓(xùn)練產(chǎn)出放至runs/exp_insulator_defect/壓縮包里的推理結(jié)果圖和權(quán)重就來自這次實驗。如果你的顯存只有 6Gbatch-size 降到 8否則會遇到 CUDA out of memory 直接中斷。3.2 訓(xùn)練曲線里看什么如何判斷 200 輪是否真的收斂訓(xùn)練完成后重點看runs/exp_insulator_defect中results.txt的內(nèi)容。很多人打開這個文件只看最后的 mAP其實里面有十列數(shù)據(jù)每列依次代表 epoch、訓(xùn)練 loss、驗證 loss、精確率、召回率、mAP.5、mAP.5:.95、val box loss 等。在前幾張 loss 圖上你會直觀看到損失值從一兩百的峰值快速下降大約在 80 輪以后曲線變得平緩這說明模型已經(jīng)進(jìn)入收斂區(qū)間。正常情況下 200 輪訓(xùn)練后損失曲線尾部呈接近水平線的小幅波動不必再加大迭代輪次。以下是從results.txt中往年的兩行示例用于說明指標(biāo)列的順序和讀法Epoch GPU_mem box_loss obj_loss cls_loss Instances Size 119 11.6G 0.042 0.048 0.012 53 640 155 11.6G 0.036 0.041 0.010 14 640GPU_mem是訓(xùn)練中顯存占用量box_loss是邊框回歸損失obj_loss是目標(biāo)置信度損失cls_loss是分類損失。復(fù)現(xiàn)時如果 200 輪后box_loss還在 0.03 以上說明學(xué)習(xí)率規(guī)劃或數(shù)據(jù)增強策略有問題常見是數(shù)據(jù)量太少。如果cls_loss接近 0.01 以下說明分類任務(wù)基本解決了剩下的誤差主要來自定位偏移。3.3 超參數(shù)與數(shù)據(jù)增強hyp.yaml 中直接影響絕緣子檢測的項資源里每輪訓(xùn)練會記錄到runs/exp_insulator_defect/hyp.yaml。這個文件在 YOLOv5 訓(xùn)練中控制數(shù)據(jù)增強強度。對于絕緣子這種長條目標(biāo)其中三個參數(shù)影響最大我也實際驗證過相應(yīng)作用參數(shù)默認(rèn)值對絕緣子檢測的實際影響hsv_h0.015色調(diào)偏移絕緣子多為褐紅色偏移太大會讓顏色失真導(dǎo)致誤檢fliplr0.5水平翻轉(zhuǎn)概率航拍絕緣子左右翻轉(zhuǎn)不影響語義可以保持degrees0.0旋轉(zhuǎn)角度絕緣子串在圖像中可能是任意朝向設(shè)置 10~15 度可提升姿態(tài)泛化性# hyp.yaml 局部示例以YOLOv5官方推薦值為基準(zhǔn) hsv_h: 0.015 # image HSV-Hue augmentation (fraction) hsv_s: 0.7 # image HSV-Saturation augmentation (fraction) hsv_v: 0.4 # image HSV-Value augmentation (fraction) degrees: 0.0 # image rotation (/- deg) translate: 0.1 # image translation (/- fraction) scale: 0.5 # image scale (/- gain)degrees原本是 0表示不旋轉(zhuǎn)。實際拍回來的巡檢照片里絕緣子不一定總是正立狀態(tài)拍攝航線角度不同會導(dǎo)致目標(biāo)旋轉(zhuǎn)把degrees調(diào)到 10 可以提升模型對旋轉(zhuǎn)姿態(tài)的魯棒性。scale是尺度擾動默認(rèn) 0.5 對絕緣子這種多尺度目標(biāo)比較合適不要超過 0.8否則小目標(biāo)容易在縮放中丟失。這里提示一句改動超參數(shù)后要對同一個驗證集重新評估不要只看訓(xùn)練集 loss這是調(diào)參階段必須有的意識。4. 評估指標(biāo)曲線從 precision-recall_curve.png 里讀出模型真實能力4.1 曲線圖有哪些不同圖片對應(yīng)什么評估維度資源包runs/exp_insulator_defect里有precision-recall_curve.png、train_batch0.jpg、test_batch0_pred.jpg等可視化產(chǎn)出。precision-recall_curve.png是核心的評估圖橫軸是召回率 Recall預(yù)測到的真實目標(biāo)比例縱軸是精確率 Precision預(yù)測結(jié)果中正確的比例。曲線越靠近右上角越好test_batch0_pred.jpg是模型在測試集上的預(yù)測框可視化train_batch0.jpg是訓(xùn)練集的標(biāo)注和增強效果圖。逐列對照看這幾個文件能形成完整判斷。labels.png展示了標(biāo)注框的中心點坐標(biāo)分布和寬高分布如果中心點集中在圖像中心周圍且寬高分布比較散說明標(biāo)注數(shù)據(jù)分布合理如果全部擠在一個角落說明標(biāo)注工具出問題了這個圖值得重視。train_batch1.jpg、train_batch2.jpg是多張訓(xùn)練圖拼接的增強結(jié)果主要用來檢查數(shù)據(jù)增強策略是否破壞了目標(biāo)語義例如絕緣子的結(jié)構(gòu)是否因馬賽克增強而變得不可辨識。4.2 mAP 指標(biāo)兩種計算口徑0.5 和 0.5:0.95 的區(qū)別YOLOv5 的評估結(jié)果中會同時輸出mAP.5和mAP.5:.95兩個指標(biāo)。mAP.5是 IoU 閾值取 0.5 時的平均精度均值這個指標(biāo)對定位要求寬松主要用來快速判斷模型是否學(xué)會了目標(biāo)類別。mAP.5:.95則是從 0.5 到 0.95 每隔 0.05 取一次 IoU 閾值做平均對目標(biāo)定位精度很敏感。絕緣子缺陷檢測中缺陷類別因為標(biāo)注框小、錯位容忍度低兩個指標(biāo)差距會明顯如果mAP.5:.95比mAP.5低 15 個百分點以上說明定位精度不足常見原因是標(biāo)注框邊緣貼得不夠緊。Class Images Instances P R mAP.5 mAP.5:.95 all 200 340 0.912 0.871 0.931 0.812 insulator 200 210 0.945 0.918 0.958 0.834 insulator_defect 200 130 0.871 0.802 0.897 0.771上表是一組模擬的自測結(jié)果列含義分別是類別名、驗證圖片數(shù)、目標(biāo)實例數(shù)、精確率、召回率、mAP0.5、mAP0.5:0.95。insulator_defect行的各項指標(biāo)普遍低于insulator這說明缺陷樣本數(shù)量不如正常絕緣子多模型對缺陷形態(tài)的擬合不如完整絕緣子充分。要補齊短板需要專門擴充缺陷樣本或調(diào)整類別權(quán)重通常做法是運行test.py --weights best.pt --data data/insulator.yaml重新驗證。4.3 從 test_batch0_gt.jpg 和 test_batch0_pred.jpg 對比人工檢查漏檢量化指標(biāo)曲線之外人工看預(yù)測圖和真值圖的差異是必要的環(huán)節(jié)。test_batch0_gt.jpg展示測試集原始標(biāo)注Ground Truthtest_batch0_pred.jpg展示模型預(yù)測結(jié)果。兩圖并列可以快速發(fā)現(xiàn)模型漏檢或誤檢的系統(tǒng)性規(guī)律。實際操作中我建議把這兩張圖放大對比注意三類細(xì)節(jié)一是缺陷框的位置是否完全覆蓋缺陷區(qū)域還是只覆蓋了一半二是相鄰絕緣子片之間的缺陷是否被誤檢成一個更大的框三是背景中的塔材或電線是否出現(xiàn)誤檢。這些規(guī)律類錯誤在指標(biāo)曲線上不會直接體現(xiàn)但對后續(xù)實拍場景決策很重要。迭代 200 次的模型已基本擬合如果仍然存在系統(tǒng)性漏檢優(yōu)先懷疑訓(xùn)練集中缺陷樣本的多樣性不足而不是盲目增加迭代輪數(shù)。5. 避坑絕緣子缺陷檢測最容易踩中的五個坑5.1 類別 ID 寫反導(dǎo)致召回率直接掉到 0.3 以下現(xiàn)象訓(xùn)練時 loss 正常下降但results.txt里某個類別的召回率始終在 0.3 左右徘徊另一個類別則異常偏高。原因標(biāo)注工具導(dǎo)出的標(biāo)簽文件中絕緣子和缺陷的類別 ID 與insulator.yaml里names列表順序不一致比如原標(biāo)注中 0 是缺陷、1 是絕緣子而配置里 0 是絕緣子、1 是缺陷類別語義整體錯位。解決檢查任意標(biāo)簽文件中的數(shù)字與對應(yīng)圖片框的語義把 yaml 中names順序或標(biāo)簽文件全部修正再重新訓(xùn)練。這是我最早復(fù)現(xiàn)類似資源時踩過的坑僅靠曲線圖很難察覺必須逐類看 P、R 值。5.2 顯存溢出batch-size 設(shè)太高直接 OOM現(xiàn)象訓(xùn)練跑到第 20 輪時進(jìn)程退出報錯為 CUDA out of memory。原因--img-size 640加上默認(rèn)--batch-size 16在 6G 顯存顯卡上超出了可用顯存模型參數(shù)和特征圖占用太大。解決降低--batch-size到 8 或 4同時可開啟梯度累積例如保持 batch-size 8 但訓(xùn)練兩個批次后再更新一次梯度等效于 batch-size 16 的優(yōu)化效果。命令參考如下python train.py --data data/insulator.yaml --weights weights/yolov5s.pt --epochs 200 --batch-size 8 --img-size 640 --device 0 --nbs 64--nbs 64是 YOLOv5 中的名義批次大小權(quán)重更新頻率由它和實際 batch-size 自動計算得出。這個參數(shù)在顯存不足時尤其常用既保持原有優(yōu)化動態(tài)又不讓顯存滿載。5.3 訓(xùn)練集缺陷樣本太少mAP 虛高但實戰(zhàn)翻車現(xiàn)象訓(xùn)練集上 mAP.5 達(dá)到 0.95 以上但換成另一批天氣和角度不同的實拍圖模型表現(xiàn)明顯變差。原因訓(xùn)練集中絕緣子缺陷樣本多為同一時間段拍攝特征高度趨同模型學(xué)到的是場景背景特征而非缺陷本身的紋理特征指標(biāo)看起來不錯實際泛化性差。解決將缺陷樣本按拍攝時間、天氣、角度分段至少保證三個不同場景段的圖片都有缺陷樣本重新驗證 mAP 尤其是兩個類別的 mAP 差值。絕緣子缺陷檢測的瓶頸經(jīng)常在樣本多樣性上。5.4 驗證集與訓(xùn)練集圖片泄露結(jié)果曲線無法評估真實性能現(xiàn)象test_batch0_pred.jpg可視化看起來精度極高但提交到實際場景后效果下滑。原因切分?jǐn)?shù)據(jù)時直接從同一段視頻連續(xù)幀中抽幀前后幀相似度太高導(dǎo)致驗證集與訓(xùn)練集存在大量重復(fù)或近重復(fù)圖片。解決按視頻片段劃分同一鏡頭下的幀全部進(jìn)入同一個子集不要隨機劃分單幀。后續(xù)所有資源包實驗對比都建立在這個劃分之上。5.5 detect 階段置信度閾值默認(rèn) 0.25太低會把背景誤檢為缺陷現(xiàn)象用detect.py跑一批巡檢視頻時絕緣子正常的地方頻繁出現(xiàn)誤報缺陷。原因模型對絕緣子缺陷的置信度輸出本來就偏低--conf-thres 0.25的默認(rèn)閾值把這些低置信度噪聲全部放了出來。解決推理時提高置信度到 0.4如果漏檢增多再回調(diào)到 0.35同時用--iou-thres 0.45控制重復(fù)框抑制。巡檢場景安全優(yōu)先時寧可漏檢不要誤報否則后臺告警會被無效事件淹沒。bash python detect.py --weights runs/exp_insulator_defect/weights/best.pt --source ./inference --conf-thres 0.4 --iou-thres 0.45這條命令在后續(xù)大量實驗里成了固定開局。--source 可以接圖片文件、視頻文件或目錄--conf-thres 是置信度過濾閾值只保留高于 0.4 的框--iou-thres 是 NMS 的交并比閾值用于剔除同一目標(biāo)上重復(fù)的檢測框。 ## 6. 推理與導(dǎo)出進(jìn)階把 best.pt 權(quán)重用到實際巡檢場景中的兩種方式 ### 6.1 用 detect.py 跑批量目錄并輸出帶標(biāo)簽的圖片 訓(xùn)練完成后真正要落地的是 detect.py 的推理能力。下面命令用于對 inference 目錄下全部圖片執(zhí)行檢測并保存結(jié)果到 runs/detect/expN 文件夾。 bash python detect.py --weights runs/exp_insulator_defect/weights/best.pt --source ./inference --img-size 640 --save-txt --save-conf --project runs/detect --name exp_insulator_defect--save-txt會把每個檢測框坐標(biāo)寫入同名前綴的 txt 文件格式與訓(xùn)練標(biāo)簽一致--save-conf在 txt 中追加置信度分?jǐn)?shù)方便后續(xù)做統(tǒng)計報表。--project和--name控制輸出位置避免多個實驗的結(jié)果互相覆蓋。實際應(yīng)用時如果巡檢圖片數(shù)量很大建議把--source指向視頻文件檢測速度在普通 GPU 上可以做到每幀幾十毫秒。6.2 用 ONNX 導(dǎo)出繞開 PyTorch 環(huán)境onnx.py 的用法現(xiàn)場部署常用做法是把模型導(dǎo)出成 ONNX 格式用 ONNX Runtime 或 TensorRT 加載。打開onnx.py查看核心參數(shù)典型調(diào)用命令如下。python onnx.py --weights runs/exp_insulator_defect/weights/best.pt --img-size 640 640導(dǎo)出后得到best.onnx文件。ONNX 格式不依賴 PyTorch 環(huán)境可以用onnxruntime庫加載做 CPU 推理適合部署到只有 CPU 的工控機。實際部署中遇到過 ONNX 輸出解析問題舊版 YOLOv5 的 ONNX 輸出是一個三維張量需要在后處理中自己解析框坐標(biāo)、置信度和類別新版輸出則拆成三個獨立輸出。導(dǎo)出的模型先用 Python 腳本對同一張圖比對 ONNX 與 PyTorch 的檢測結(jié)果再投入現(xiàn)場使用避免后處理解析出錯導(dǎo)致框偏移。6.3 一個值得養(yǎng)成的習(xí)慣每次復(fù)現(xiàn)都先跑一次官方預(yù)訓(xùn)練模型最后分享一個我現(xiàn)在做檢測項目時的固定步驟。拿到任何 YOLOv5 源碼包我先不急著用自己的數(shù)據(jù)訓(xùn)練而是先用包內(nèi)置的yolov5s.pt權(quán)重跑一遍官方自帶的測試樣例確認(rèn)環(huán)境、路徑、依賴全部正常。然后才把數(shù)據(jù)換成絕緣子數(shù)據(jù)集先訓(xùn)練 5 輪確認(rèn) loss 下降方向正確再正式跑完整 200 輪同時保存results.txt和曲線圖用于歸檔對比。這個習(xí)慣幫我避免了不少盲目調(diào)參的彎路希望你也能用上。希望幫到你。本文還有配套的精品資源點擊獲取