Windows10+YOLOv5实战：从零构建自定义目标检测模型

1. Windows10下YOLOv5环境配置指南

第一次在Windows10上配置YOLOv5环境时，我遇到了不少坑。显卡驱动崩溃、CUDA版本不兼容、环境冲突等问题接踵而至。经过多次实践，我总结出这套稳定可靠的配置方案，特别适合刚入门的新手。

核心组件版本选择很关键。我推荐使用以下组合：

• Python 3.8（兼容性最佳）
• PyTorch 1.8+cu111（稳定版）
• CUDA 11.1（适配多数显卡）
• cuDNN 8.0.5（需与CUDA版本匹配）

安装Anaconda时有个细节要注意：务必勾选"Add to PATH"选项。很多教程说不要勾选，但在Windows10最新版中，这是让conda命令全局可用的最简方法。创建虚拟环境时，建议使用命令：

conda create -n yolov5 python=3.8

PyTorch安装最容易出错。官网提供的conda安装命令在Windows下经常失败，改用pip安装更可靠：

pip install torch==1.8.0+cu111 torchvision==0.9.0+cu111 -f https://download.pytorch.org/whl/torch_stable.html

验证安装时，除了检查torch.cuda.is_available()，还要测试实际计算能力：

import torch print(torch.rand(3,3).cuda()) # 应输出GPU上的随机矩阵

2. 数据集制作实战技巧

制作自定义数据集是训练成功的关键。我曾用200张工业零件图片训练出准确率95%的模型，关键就在于数据处理的技巧。

标注工具选择：LabelImg仍是最好用的工具，但要注意两点：

1. 保存格式选YOLO格式（生成.txt文件）
2. 类别名称用英文且不含空格

文件目录结构要严格规范，建议采用这种形式：

dataset/ ├── images/ │ ├── train/ │ └── val/ └── labels/ ├── train/ └── val/

数据增强配置很有讲究。在data.yaml中建议这样设置：

train: ../dataset/images/train val: ../dataset/images/val nc: 3 # 类别数 names: ['cat', 'dog', 'person'] # 按实际修改

遇到样本不足时，可以用这些方法增强：

• 使用imgaug库进行颜色抖动
• 添加随机噪声（高斯/椒盐噪声）
• 应用仿射变换（旋转10度内）

3. 模型训练参数调优

第一次训练时，我的loss值居高不下，后来发现是学习率设置不当。经过多次实验，总结出这些黄金参数：

基础训练配置：

python train.py --img 640 --batch 16 --epochs 300 --data data.yaml --cfg models/yolov5s.yaml --weights yolov5s.pt --device 0

关键参数解析：

• batch大小：显存8G建议8-16，16G可用32
• 学习率：0.01（太大易震荡，太小收敛慢）
• 图像尺寸：640x640平衡速度与精度

训练过程监控特别重要。启动TensorBoard的命令是：

tensorboard --logdir=runs/train

常见问题解决方案：

1. 出现NaN loss：减小学习率或增大batch
2. 验证mAP不升：检查标注质量
3. 显存不足：减小batch或图像尺寸

4. 模型部署与性能优化

训练好的模型需要优化才能实用。我测试过多种部署方案，发现这些技巧最有效：

模型导出为ONNX格式：

python export.py --weights runs/train/exp/weights/best.pt --include onnx

推理速度优化：

• 使用half-precision（FP16）推理
• 设置conf-thres=0.4，iou-thres=0.5
• 启用TensorRT加速（可提速3-5倍）

实际测试对比（RTX 2060）：

部署到生产环境时，建议用Flask构建API接口：

from flask import Flask, request import torch app = Flask(__name__) model = torch.hub.load('ultralytics/yolov5', 'custom', path='best.pt') @app.route('/predict', methods=['POST']) def predict(): file = request.files['image'] results = model(file) return results.pandas().xyxy[0].to_json()

5. 常见问题解决方案

在Windows平台使用YOLOv5会遇到一些特有问题，这里分享我的解决经验：

CUDA内存不足的终极解决方案：

1. 降低batch size到4-8
2. 添加--workers 0参数
3. 在任务管理器中结束无关GPU进程

路径问题的预防措施：

• 所有路径使用正斜杠（/）
• 避免中文和空格路径
• 使用相对路径而非绝对路径

性能瓶颈分析方法：

1. 使用nvtop查看GPU利用率
2. 检查CPU是否达到100%
3. 监控内存交换情况

有个特别隐蔽的坑：Windows默认的PowerShell会限制GPU性能，建议：

1. 使用CMD而非PowerShell
2. 在NVIDIA控制面板设置"首选最高性能"
3. 禁用Windows游戏模式