毕设YOLO入门实战：从零部署目标检测模型的避坑指南

毕设YOLO入门实战：从零部署目标检测模型的避坑指南

摘要：许多计算机视觉方向的本科生在毕设中选择YOLO系列模型，却常因环境配置、模型选型或推理部署问题卡壳。本文面向新手，系统梳理YOLOv5/v8的本地训练与ONNX导出流程，对比不同框架（PyTorch/TensorRT/OpenVINO）的部署成本，并提供可复现的轻量级推理代码。读者将掌握端到端的模型落地能力，避免常见依赖冲突与性能陷阱，高效完成毕设核心模块。

1. 毕设里用YOLO，新手最容易踩的五个坑

做毕设时，导师一句“用YOLO检测一下”听起来轻飘飘，真动手才发现全是坑。下面这五个，90%的同学都会遇到：

1. CUDA版本与PyTorch版本对不上，训练脚本一跑就报“CUDA capability sm_86 not supported”，回头发现显卡驱动太老。
2. 标注文件格式写错，YOLO要求“class x_center y_center width height”全部归一化，结果直接给像素坐标，训练几百轮mAP还是0。
3. 数据集划分随意，test集里混入训练图片，答辩时被评委一句“过拟合了吧”直接问懵。
4. 推理阶段直接调用.pt权重，CPU跑一张图3秒，现场演示直接社死。
5. 路径写死为D:\graduation\yolov5\runs\exp6\weights\best.pt，换电脑就找不到文件，PPT翻车了。

提前知道这些坑，就能少走很多弯路。下面从选型开始，一步步带你落地。

2. YOLOv5 vs YOLOv8：毕设场景下该怎么选？

官方仓库迭代飞快，YOLOv5稳定、社区大，YOLOv8精度高、API新。本科毕设更关注“能跑通+好写论文”，对比如下：

结论：

• 想稳、想快速出图发论文 → YOLOv5
• 想冲高分、肯踩新坑 → YOLOv8

下文以YOLOv5为主线，代码同样适用于YOLOv8，只需把模型名替换即可。

3. 环境准备：30分钟搞定可复现的Python环境

别急着pip install yolov5，先建独立环境，防止系统Python被污染。

# 1. 创建环境 conda create -n yolo python=3.9 conda activate yolo # 2. 安装稳定版本（以v5.0.6为例） pip install torch==1.13.0+cu117 torchvision==0.14.0+cu117 -f https://download.pytorch.org/whl/torch_stable.html git clone -b v5.0.6 https://github.com/ultralytics/yolov5 cd yolov5 pip install -r requirements.txt

验证：

import torch print(torch.cuda.is_available()) # True即OK

4. 数据准备：标注→划分→校验一条龙

4.1 标注

推荐开源工具LabelImg，快捷键：

• w创建框
• d下一张
• 保存后生成XML？记得改设置直接输出YOLO txt，省得转换。

4.2 目录结构

保持官方格式，后期脚本不用改路径：

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

dataset.yaml示例：

train: ./images/train val: ./images/val nc: 3 names: ['cat', 'dog', 'person']

4.3 划分脚本

很多新人手动复制，比例全靠感觉。下面脚本一次性按9:1划分，并同步复制标签：

import os, random, shutil from sklearn.model_selection import train_test_split img_dir = 'raw_images' label_dir = 'raw_labels' train_img = 'dataset/images/train' val_img = 'dataset/images/val' images = [f for f in os.listdir(img_dir) if f.endswith('.jpg')] train, val = train_test_split(images, test_size=0.1, random_state=42) def copy_set(file_list, set_name): for img in file_list: shutil.copy(os.path.join(img_dir, img), os.path.join(f'dataset/images/{set_name}', img)) lbl = img.replace('.jpg', '.txt') shutil.copy(os.path.join(label_dir, lbl), os.path.join(f'dataset/labels/{set_name}', lbl)) copy_set(train, 'train') copy_set(val, 'val')

跑完检查图片与标签数量一致即可。

5. 训练：单卡3060，12分钟完成yolov5s

python train.py --img 640 --batch 32 --epochs 100 \ --data dataset/dataset.yaml --weights yolov5s.pt \ --project runs/train --name exp --exist-ok

关键参数说明：

• --img输入分辨率，越大越吃显存
• --batch32能压进6G显存，OOM就降到16
• --epochs100轮足够收敛，后期想冲点可150

训练完runs/train/exp/weights/best.pt就是最终模型。

6. 导出ONNX：一条命令+三行代码验证

python export.py --weights best.pt --include onnx --opset 12 --simplify

生成best.onnx后，用ONNX Runtime跑一张图验证节点无误：

import onnxruntime as ort, cv2, numpy as np img = cv2.imread('test.jpg') blob = cv2.dnn.blobFromImage(img, 1/255.0, (640,640), swapRB=True) sess = ort.InferenceSession('best.onnx') outs = sess.run(None, {sess.get_inputs()[0].name: blob}) print(outs[0].shape) # (1,25200,5+nc)

7. Clean Code：封装推理类，毕设答辩不尴尬

把C++、Python、前端都调用同一份逻辑，需要接口干净。下面给出一个最小但完整的YOLOInfer：

# yolo_infer.py import cv2, numpy as np, onnxruntime as ort class YOLOInfer: def __init__(self, onnx_path, conf_thres=0.5, iou_thres=0.45): self.conf_thres = conf_thres self.iou_thres = iou_thres self.session = ort.InferenceSession(onnx_path, providers=['CUDAExecutionProvider', 'CPUExecutionProvider']) self.input_name = self.session.get_inputs()[0].name _, _, self.h, self.w = self.session.get_inputs()[0].shape def _preprocess(self, img): # 等比缩放+灰条填充 scale = min(self.h/img.shape[0], self.w/img.shape[1]) new_w, new_h = int(img.shape[1]*scale), int(img.shape[0]*scale) resized = cv2.resize(img, (new_w, new_h)) top = (self.h - new_h)//2 bottom = self.h - new_h - top left = (self.w - new_w)//2 right = self.w - new_w - left padded = cv2.copyMakeBorder(resized, top, bottom, left, right, cv2.BORDER_CONSTANT, value=(114,114,114)) # HWC→CHW & normalize padded = padded.transpose((2,0,1))[::-1] # BGR→RGB padded = np.ascontiguousarray(padded/255.0, dtype=np.float32) return padded[np.newaxis,:], scale, (left, top) def _postprocess(self, preds, scale, pad): # preds: (1,25200,85) preds = np.squeeze(preds) scores = preds[:, 4] * preds[:, 5:].max(1) # obj*cls keep = scores > self.conf_thres boxes = preds[keep, :4] scores = scores[keep] cls_ids = preds[keep, 5:].argmax(1) # 坐标还原到原图 boxes -= np.tile(pad, 2) boxes /= scale # NMS indices = cv2.dnn.NMSBoxes(boxes, scores, self.conf_thres, self.iou_thres) return boxes[indices], scores[indices], cls_ids[indices] def __call__(self, img): blob, scale, pad = self._preprocess(img) preds = self.session.run(None, {self.input_name: blob})[0] return self._postprocess(preds, scale, pad)

调用示例：

infer = YOLOInfer('best.onnx') img = cv2.imread('test.jpg') boxes, scores, cls = infer(img) for b,s,c in zip(boxes, scores, cls): x1,y1,x2,y2 = b.astype(int) cv2.rectangle(img, (x1,y1), (x2,y2), (0,255,0), 2) cv2.imwrite('result.jpg', img)

Clean Code要点：

• 单一职责：预处理/推理/后处理分函数
• 不硬编码路径，传参注入
• 支持CPU/GPU自动回退，答辩电脑没显卡也能跑

8. 性能基准：CPU/GPU到底差多少？

测试平台：i7-12700H + RTX3060 Laptop，输入640×640，单张图平均耗时：

结论：

• 笔记本CPU也能跑，但260ms对实时演示不友好
• 同一张显卡，TensorRT比ONNX Runtime CUDA再快30%，但转换步骤多，毕设阶段可先用ONNX Runtime CUDA，足够交差

9. 生产环境避坑清单

1. 路径硬编码 → 用pathlib.Path+相对路径，打包zip到任何PC解压即跑
2. 模型版本不一致 → 把best.onnx写进git-lfs，或MD5校验，防止“我电脑明明可以”
3. 输入预处理偏差 → 训练用RGB，推理却用BGR，mAP掉5个点；统一在代码里注释颜色通道顺序
4. batch=1和batch=N混用 → ONNX导出固定维度，动态轴需加--dynamic，否则Web端并发调用直接崩
5. 忘记关OpenCV线程 →cv2.setNumThreads(0)，防止多进程推理时CPU打满

10. 下一步：量化压缩 & Web端部署

毕设答辩完，想继续加分？

• 用ONNX Runtime + quantization把float32模型压成int8，大小减至1/4，CPU提速1.7×，代码只需加两行：

  from onnxruntime.quantization import quantize_dynamic quantize_dynamic('best.onnx', 'best_int8.onnx', weight_type=QuantType.QInt8)

• 前端用WebAssembly跑ONNX.js，浏览器里实时检测，把演示链接放在简历上，面试加分

写在最后

整篇流程跑下来，你会发现YOLO的“坑”基本都集中在环境+预处理+路径这三步。把训练、导出、推理各封装一次，后续换v8、换TensorRT都是改一行的事。毕设不是搞科研，能稳定复现、快速出图、讲清指标就足够。
量化压缩和Web部署的代码已经给到，剩下的就是动手跑通。祝你答辩顺利，代码一遍过！