第二节 YOLOv5参数

目录

2.1 关键参数

2.2.1 weights

 2.2.2 source

2.2.3 conf-thres 

2.2.4 iou-thres

2.2 所有参数说明 

2.2.1 核心推理控制参数

2.2.2 结果保存参数

2.2.3 检测过滤与后处理

2.2.4 工程化与调试参数 

2.3 jupiterlap 

 2.4 基于torch.hub的检测方法

2.4.1模型检测代码实现： 

2.4.2关键知识

2.1 关键参数

• weights：训练好的模型文件。
• source：检测的目标，可以是单张图片、文件夹、屏幕或者摄像头等。
• conf-thres：置信度阈值，越低框越多，越高框越少。
• iou-thres：IOU阈值，越低框越少，越高框越多。

2.2.1 weights

（一）、表格指标意思

        Model：模型     size：图片大小       mAPval：平均精度均值   

        Speed CPU b1：速度（CPU b1，ms）    Speed V100 b1：速度（V100 b1，ms）

        Speed V100 b32：速度（V100 b32，ms）  params：参数量

        FLOPs @640（B）：代表模型在输入图像尺寸为 640×640 时的浮点运算量，单位是十亿次（B，即 billion）。

进一步说明：

        mAPval 50-95：表示在不同 IoU（Intersection over Union，交并比，用于衡量预测框和真实框之间的重叠程度 ）阈值范围（从 0.50 到 0.95，步长为 0.05）下计算得到的平均精度均值。这个指标综合考虑了模型在不同重叠程度要求下的检测效果，能更全面地反映模型的性能。

        mAPval 50：表示在 IoU 阈值为 0.50 时计算得到的平均精度均值。它更关注模型在相对宽松的检测标准下的表现，即只要预测框和真实框的重叠度达到 0.5 就算检测正确。

        “Speed V100 b1（ms）” 这一列的数据，就表示 YOLOv5 不同版本模型在 Tesla V100 GPU 上，以每次处理一张图像（batch size 为 1）的方式进行推理时，处理一张图像所需要的时间，单位是毫秒（ms）。

        “FLOPs @640（B）” 代表模型在输入图像尺寸为 640×640 时的浮点运算量，单位是十亿次（B，即 billion ），下面详细解释：

FLOPs（floating point operations）

        FLOPs 指的是浮点运算次数，是衡量深度学习模型计算复杂度的一个重要指标。在深度学习模型执行推理（对输入数据进行预测 ）或训练（调整模型参数以最小化损失函数 ）过程中，会涉及到大量的矩阵乘法、加法等浮点运算。比如在卷积神经网络（CNN）中，卷积层通过卷积核与图像数据进行卷积操作，本质上就是大量的乘法和加法运算，这些运算次数的总和就是模型的浮点运算量。

FLOPs 数值越大，通常意味着模型的计算复杂度越高，运行时需要消耗更多的计算资源（如 CPU、GPU 的运算能力 ），也可能需要更长的时间来完成一次推理或训练步骤。不过，FLOPs 只是一个理论上的计算量指标，实际的运行速度还会受到硬件性能（如 GPU 的架构、主频 ）、软件优化（如深度学习框架的优化程度 ）等多种因素的影响。

@640

        “@640”表示的是输入图像的尺寸条件。在目标检测任务中，模型输入图像的尺寸大小会影响模型的计算量。对于 YOLOv5 系列模型，这里指的是输入图像的边长为 640 像素（即图像尺寸为 640×640 ）。当输入图像尺寸改变时，模型进行卷积、池化等操作的数据量也会发生变化，进而导致浮点运算量不同 。

（B）

        括号中的 “B” 代表单位，即十亿（billion ）。也就是说，表格中 FLOPs 这一列的数据，是以十亿次浮点运算为单位来表示的。例如，YOLOv5x 对应的 FLOPs 值为 205.7，实际含义是当输入图像尺寸为 640×640 时，YOLOv5x 模型进行一次推理大约需要进行 2057 亿次浮点运算 。

        通过 FLOPs 指标，科研人员和开发者可以在设计和选择模型时，评估模型的计算成本，从而根据实际的硬件条件和应用需求，选择合适的模型。

（二）、各模型核心特点

1、YOLOv5n：超轻量、速度最快，精度较低。

2、YOLOv5s：轻量平衡型，适配端侧 / 边缘。

3、YOLOv5m：精度提升，速度稍降，适合服务端。

4、YOLOv5l：高精度优先，速度进一步降低。

5、YOLOv5x：极致精度，资源消耗最大系统架构设计。

选型建议：

1. 追求极致速度（如边缘设备、实时检测）→ YOLOv5n
2. 端侧 / 边缘场景平衡（轻量 + 可用精度）→ YOLOv5s
3. 服务端部署（精度优先，算力充足）→ YOLOv5m/l/x（按需求选精度 - 速度 trade-off ）

（三）、实验

   指令：python detect.py --weights 训练好的模型文件。

        上图中，使用yolov5s来检测，指令是python detect.py --weights yolov5s.pt从运行结果来看，识别到bus.jpg图片有4个人、1辆公交车、识别速度为214.8ms。 识别到zidan.jpg图片有2个人、2条领带、识别速度为13.0ms。（使用cpu跑的）      

        上图中，使用yolov5x来检测，指令是python detect.py --weights yolov5x.pt 。从运行结果来看，识别到bus.jpg图片有4个人、1辆公交车、识别速度为114.7ms。识别到zidan.jpg图片有2个人、2条领带、识别速度为101.7ms。(GPU跑的)

 2.2.2 source

(一)、检测单张图片

        指令：python detect.py --weights yolov5s.pt --source 文件路径

        上图中，使用yolov5s来检测单张图片，指令是python detect.py --weights yolov5s.pt --source data/images/bus.jpg。从运行结果来看，识别到bus.jpg图片有4个人、1辆公交车、识别速度为187.2ms。 

（二）、对屏幕检测

        指令：python detect.py --weights yolov5s.pt --source screen        

2.2.3 conf-thres 

         conf-thres：置信度阈值，越低框越多，越高框越少。

        指令：python detect.py --weight yolov5s.pt --conf-thres 置信度阈值

         上图是将阈值设置成0.8，指令是python detect.py --weight yolov5s.pt --conf-thres 0.8。由上图可知，当置信度阈值设置成0.8后，会将低于0.8阈值的框框过滤掉，即置信度阈值越高框越少。 

        上图是将阈值设置成0.05，指令是python detect.py --weight yolov5s.pt --conf-thres 0.05。由上图可知，当置信度阈值设置成0.05后，会将高于0.05的框框显示出来，即置信度阈值越低框越多。 

2.2.4 iou-thres

        iou-thres：IOU阈值，越低框越少，越高框越多。

        指令：python detect.py --weight yolov5s.pt --iou-thres 置信度阈值

        上图是将阈值设置成0.8，指令是python detect.py --weight yolov5s.pt --iou-thres 0.8。 

        上图是将阈值设置成0.05，指令是python detect.py --weight yolov5s.pt --iou-thres 0.05。 

2.2 所有参数说明 

2.2.1 核心推理控制参数

2.2.2 结果保存参数

2.2.3 检测过滤与后处理

2.2.4 工程化与调试参数 

2.3 jupiterlap 

        JupyterLab是最新的基于网络的笔记本、代码和数据的互动开发环境。它灵活的界面允许用户配置和安排数据科学、科学计算、计算新闻和机器学习方面的工作流程。使用模块化的设计方便扩展和丰富功能。

相关博客：JupyterLab（Jupyter Notebook）安装与使用_jupyter lab官网下载-CSDN博客

        通过下面命令安装JupyterLab：pip install jupyterlab

 2.4 基于torch.hub的检测方法

         PyTorch 是 Python 优先的深度学习框架，由 Facebook（现 Meta）开发维护，核心用于：

• 构建 / 训练深度学习模型（如 CNN、RNN、Transformer 等），覆盖计算机视觉（CV）、自然语言处理（NLP）、语音识别等领域。
• 自动求导（通过 autograd 机制），简化反向传播实现，让开发者专注模型逻辑。
• 张量（Tensor）计算：类似 NumPy 数组，但支持 GPU 加速，是模型运算的基础数据结构。

2.4.1模型检测代码实现： 

import torch  # 1. 导入 PyTorch 核心库，启用张量、模型加载等功能
# 2. 从本地加载 YOLOv5s 模型 
# torch.hub.load：PyTorch 官方“模型仓库”工具，支持本地/在线加载预训练模型
#参数说明：
# "./"：本地模型所在文件夹（YOLOv5 项目根目录）
# "yolov5s"：模型配置/权重文件名（对应 YOLOv5s 小模型）
# source="local"：强制从本地加载（避免联网下载）
model = torch.hub.load("./", "yolov5s", source="local")  
# 3. 定义输入图像路径（YOLOv5 示例图）
img = "./data/images/zidane.jpg"  
# 4. 执行目标检测：模型前向推理，输出预测结果（含边界框、类别、置信度）
result = model(img) 
# 5. 可视化结果：弹出窗口显示带检测框的图像
result.show()

2.4.2关键知识点

1、torch.hub 的作用：

        官方模型 hub，支持一键加载 PyTorch 生态的预训练模型（如 ResNet、YOLO 等），source="local" 适配本地自定义模型（需项目结构符合规范）。

2、YOLOv5 与 PyTorch 的关系：

        YOLOv5 是基于 PyTorch 实现的目标检测框架，torch.hub 让其加载更便捷，无需手动写模型构建代码。

3、应用场景扩展：

        替换 img 路径可检测任意图像 / 视频；结合 result.pandas().xyxy[0] 可提取检测结果（坐标、类别文本），用于自动化标注、数据统计等。

        总结：PyTorch 是深度学习开发的核心框架，torch.hub 简化了模型复用，这段代码用 “最少代码” 实现了 YOLOv5 目标检测流程，适合快速验证或集成到项目中。