1. 从零开始：为什么YOLOv5依然是目标检测的“敲门砖”

如果你刚接触计算机视觉，或者想找一个能快速上手、效果又不错的项目来练手，那YOLOv5绝对是一个绕不开的名字。我刚开始做目标检测项目时，面对Faster R-CNN、SSD、YOLO系列这些名词也是一头雾水，直到亲手把YOLOv5跑起来，看着摄像头实时框出画面里的物体，那种“通了”的感觉才真正到来。它不像一些学术前沿模型那样对硬件和理论要求极高，也不像某些“玩具”模型那样功能孱弱。YOLOv5在易用性、速度和精度之间找到了一个非常棒的平衡点，官方仓库维护积极，社区生态丰富，这使得它成为了无数开发者、学生和研究员的第一个“生产级”目标检测工具。

尽管YOLOv8、YOLOv9等后续版本已经发布，但YOLOv5的江湖地位依然稳固。原因很简单：成熟、稳定、资料多。它的代码结构清晰，从数据准备、模型训练到模型导出（ONNX、TensorRT等）的整个流水线都非常完善，网上能找到的踩坑经验和解决方案也最多。对于学习目标检测的整个流程——包括环境配置、数据标注、模型训练、性能评估和部署——YOLOv5提供了一个近乎完美的“样板间”。你跟着走一遍，就能把深度学习中数据、模型、训练、推理这几个核心环节串起来，建立起直观的认识。

所以，这篇内容的目的不是复读官方文档，而是结合我多次在不同平台（从个人笔记本到服务器，甚至到边缘设备）部署YOLOv5的经验，带你走通一条最顺畅的路径。我会重点告诉你，在那些看似简单的git clone和pip install命令背后，有哪些细节决定了成败，以及当命令行报出一堆红色错误时，你第一步应该检查哪里。

2. 环境搭建：避开依赖冲突的深坑

万事开头难，而深度学习的环境配置堪称“开头难”的典范。YOLOv5基于PyTorch，这本身是好事，因为PyTorch的安装已经比早年友好太多。但Python包管理的“祖传”问题——依赖冲突——依然是我们最大的敌人。你的机器上可能已经为了其他项目安装了不同版本的numpy、opencv-python或torch，这些都可能让YOLov5的安装脚本运行失败。

2.1 核心武器：Conda虚拟环境

我强烈建议，无论你是新手还是老鸟，都使用Conda来管理你的YOLOv5环境。这相当于为这个项目建立一个独立的、干净的“房间”，里面的所有家具（Python包）都是为YOLOv5量身定制的，不会和“客厅”（系统环境）或其他“房间”（其他项目环境）的家具打架。

首先，如果你还没有安装Miniconda或Anaconda，去官网下载安装就好。之后，打开你的终端（Windows用Anaconda Prompt或PowerShell，Linux/macOS用系统终端），我们创建一个新的环境：

# 创建一个名为yolov5的Python环境，指定Python版本为3.8。 # 选择3.8是因为它在PyTorch各版本中兼容性最广，最不容易出问题。 conda create -n yolov5 python=3.8 -y

创建完成后，激活这个环境：

conda activate yolov5

你会看到命令行提示符前面变成了(yolov5)，这表示你已经进入了这个专属的虚拟环境，之后所有pip install的操作都只影响这个环境。

2.2 PyTorch的精准安装：CUDA版本是关键

这是整个安装过程中最需要小心的一步。YOLOv5需要PyTorch，而PyTorch能否调用GPU加速，完全取决于你安装的PyTorch版本是否匹配你电脑上的CUDA版本。

第一步，确认你的CUDA版本。如果你有NVIDIA显卡并且希望使用GPU加速（训练和推理速度能快几十倍），打开终端，输入：

nvidia-smi

在输出的右上角，你可以看到“CUDA Version: 11.4”之类的信息。记下这个主版本号，比如11.4、11.6、12.1等。如果你的命令找不到，或者你只有CPU，那么后续就安装CPU版本的PyTorch。

第二步，去PyTorch官网获取安装命令。不要凭记忆输入pip install torch torchvision！一定要访问 pytorch.org 。在网站上，选择：

• PyTorch Build: Stable
• Your OS: 你的操作系统
• Package: 建议用pip（如果你用Conda环境，这里选Conda也可以，但pip通常更直接）
• Language: Python
• Compute Platform: 根据你刚才查到的CUDA版本选择，例如CUDA 11.6。如果只有CPU，就选CPU。

网站会生成一行类似下面的命令：

# 例如，对于CUDA 11.6 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu116 # 对于CPU版本 pip install torch torchvision torchaudio

在你的(yolov5)环境中，运行这行命令。这个过程可能会比较慢，因为要下载很大的文件。

验证安装是否成功：安装完成后，在Python交互环境中验证：

import torch print(torch.__version__) # 输出PyTorch版本 print(torch.cuda.is_available()) # 输出True则表示GPU可用

如果torch.cuda.is_available()返回False，但你的显卡明明支持，那99%是CUDA版本和PyTorch版本没对上，需要回到PyTorch官网重新选择正确的Compute Platform。

2.3 克隆仓库与安装剩余依赖

PyTorch这个“地基”打稳了，后面的就简单了。首先，把YOLOv5的官方代码仓库克隆到本地：

git clone https://github.com/ultralytics/yolov5.git cd yolov5

然后，安装项目需要的其他依赖包。YOLOv5很贴心地准备了一个requirements.txt文件：

pip install -r requirements.txt

注意：运行这条命令时，你可能会遇到各种网络超时（ReadTimeoutError）或者某个包安装失败的问题。这是非常正常的，主要是因为一些依赖（比如opencv-python）的源在国外。解决方法有两个：

1. 使用国内镜像源：在命令后面加上-i参数指定镜像，例如：

   pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

2. 手动安装失败包：如果某几个包一直失败，可以先跳过requirements.txt，等主要包安装完后，再单独用镜像源安装它们，比如：

   pip install opencv-python -i https://pypi.tuna.tsinghua.edu.cn/simple

安装完成后，你可以运行一个快速的验证脚本，检查所有核心组件是否就绪：

python detect.py --weights yolov5s.pt --source data/images/bus.jpg

这条命令会下载一个最小的预训练模型yolov5s.pt，并对项目自带的一张公交车图片进行推理。如果一切正常，你会在终端看到检测结果（识别出了人、公交车等），并且在项目根目录的runs/detect/exp文件夹下找到一张画了检测框的输出图片。看到这张图，恭喜你，环境搭建成功了！

3. 核心文件结构解析：理解YOLOv5的工作流

成功运行demo后，先别急着训练自己的模型。花十分钟了解一下YOLOv5项目的目录结构，能让你在后面操作时心里有张地图，知道该去哪里找配置文件，结果存在哪里。这比出了问题再满世界搜索要高效得多。

打开你克隆下来的yolov5文件夹，你会看到很多文件和文件夹。对于初学者，重点关注以下几个：

• data/: 这个文件夹是数据配置的核心。

  • data/images/和data/videos/: 存放了一些用于测试的图片和视频。
  • data/coco.yaml和data/coco128.yaml: 这是数据集配置文件的模板。当你训练自己的数据时，就需要创建一个类似的.yaml文件，告诉模型你的数据在哪里、有哪些类别。coco128是COCO数据集的一个小子集，常用来做快速验证。
  • data/hyps/: 里面存放了超参数配置文件（如hyp.scratch-low.yaml）。超参数控制着训练过程中的学习率、数据增强强度等，新手可以先不用改，用默认的就好。

• models/: 这个文件夹是模型定义的核心。

  • models/yolov5s.yaml,models/yolov5m.yaml...: 这些是模型结构配置文件。它们定义了YOLOv5s（小）、YOLOv5m（中）、YOLOv5l（大）、YOLOv5x（特大）等不同尺寸模型的具体网络层结构。通常我们不需要修改这里。
  • models/common.py,models/experimental.py: 里面定义了各种网络模块（如Conv、Bottleneck等）和一些实验性功能。

• runs/: 这是所有实验结果的输出目录，非常重要！

  • 每次你训练（train.py）或推理（detect.py），都会在这里生成一个新的子文件夹，例如runs/train/exp2、runs/detect/exp3。
  • 在train/expX里，你能找到训练过程的日志、损失曲线图、模型权重文件（best.pt,last.pt）以及模型在验证集上的性能指标（如精度、召回率）。
  • 在detect/expX里，你能找到推理后生成的图片或视频。

• utils/: 工具函数集。里面包含了数据加载、指标计算、日志记录、画图等一大堆辅助函数。除非你要深度定制，否则一般不用碰。

• 核心入口脚本（都在项目根目录）：

  • train.py:训练脚本。你90%的时间都会和它打交道。
  • detect.py:推理/检测脚本。用训练好的模型对图片、视频、摄像头流进行预测。
  • val.py:验证脚本。在验证集上评估训练好的模型的性能。
  • export.py:模型导出脚本。将PyTorch模型（.pt）导出为其他格式，如ONNX、TensorRT、CoreML等，用于移动端或边缘设备部署。

理解了这个结构，你就明白了YOLOv5的标准工作流：在data/下配置你的数据 -> 选择models/下的一个模型结构 -> 运行train.py进行训练，结果存到runs/train/-> 用detect.py加载runs/train/exp/weights/best.pt进行测试 -> 如果需要部署，用export.py转换模型格式。

4. 训练自己的数据集：从图片标注到模型产出

跑通官方demo只是第一步，让YOLOv5认识你关心的物体（比如车间里的零件、农田里的害虫、交通场景中的特定车辆）才是真正的价值所在。这个过程可以分为三步：准备数据、配置文件和启动训练。

4.1 数据准备与标注：YOLO格式详解

YOLOv5要求的数据格式是一种简单的文本格式。假设你有一张图片image_001.jpg，那么你需要一个同名的标签文件image_001.txt。这个.txt文件的内容可能如下：

0 0.5 0.5 0.3 0.4 1 0.2 0.8 0.15 0.15

每一行代表图片中的一个物体标注，包含5个数字，用空格分隔：

1. class_id: 物体的类别索引（从0开始）。比如0代表“人”，1代表“狗”。
2. x_center: 物体边界框中心点的x坐标，除以图片宽度后的归一化值（范围0-1）。
3. y_center: 物体边界框中心点的y坐标，除以图片高度后的归一化值（范围0-1）。
4. width: 物体边界框的宽度，除以图片宽度后的归一化值（范围0-1）。
5. height: 物体边界框的高度，除以图片高度后的归一化值（范围0-1）。

举个例子：一张1000x800的图片上，有一个物体的中心点在(300, 400)，宽高为200x150。那么它的YOLO格式标注就是：

• x_center = 300 / 1000 = 0.3
• y_center = 400 / 800 = 0.5
• width = 200 / 1000 = 0.2
• height = 150 / 800 = 0.1875假设它的类别class_id是2，那么这一行就是：2 0.3 0.5 0.2 0.1875

如何得到这些标注文件？手动计算是不可能的。我们需要标注工具。LabelImg是一个经典的选择，但这里我更推荐Roboflow或CVAT这类更现代的在线工具，或者使用LabelStudio。它们都支持导出YOLO格式。标注时，关键是要保证图片和对应的.txt文件放在正确的目录结构里。通常，你的数据集文件夹应该像这样：

my_custom_dataset/ ├── images/ │ ├── train/ # 训练集图片 │ │ ├── img1.jpg │ │ └── ... │ └── val/ # 验证集图片 │ ├── img100.jpg │ └── ... └── labels/ ├── train/ # 训练集标签 (img1.txt, ...) └── val/ # 验证集标签 (img100.txt, ...)

4.2 创建数据集配置文件

数据准备好了，接下来要创建一个YAML文件来告诉YOLOv5你的数据在哪里、叫什么名字。在data/目录下，复制一份coco128.yaml，改名为my_data.yaml，然后编辑它：

# 数据集根目录路径（可以是绝对路径，也可以是相对于yolov5根目录的相对路径） path: ../my_custom_dataset # 训练集和验证集的图片目录（相对于上面的path） train: images/train val: images/val # 类别数量 nc: 2 # 改成你的类别数，比如我这里有2类 # 类别名称列表，顺序必须和标注文件中的class_id对应 names: ['cat', 'dog'] # 改成你的类别名

这个文件是连接你的数据和训练脚本的桥梁，非常重要。路径一定要写对，否则训练时会报“No labels found”的错误。

4.3 启动训练与参数解读

万事俱备，只欠训练。回到项目根目录，运行训练命令。一个最基础的训练命令如下：

python train.py --img 640 --batch 16 --epochs 100 --data data/my_data.yaml --weights yolov5s.pt

我们来拆解一下这几个关键参数：

• --img 640: 输入图片会被自动缩放到640x640像素进行训练。这是YOLOv5的默认尺寸，更大的尺寸（如1280）可能提升精度但会显著增加显存消耗和训练时间。
• --batch 16: 批次大小。一次迭代送入模型多少张图片。这个值越大，训练越稳定、越快，但对GPU显存要求越高。如果出现“CUDA out of memory”错误，首先尝试减小--batch。
• --epochs 100: 训练轮数。整个训练集被完整遍历一次称为一个epoch。100是一个常见的起始值，对于小数据集可能已经过拟合，对于大数据集可能还不够。你需要观察验证集指标来决定是否提前停止或继续训练。
• --data data/my_data.yaml: 指定我们刚刚创建的数据集配置文件。
• --weights yolov5s.pt: 指定预训练权重。这里用的是yolov5s.pt，意思是基于YOLOv5s这个小模型，在其基础上用你的数据做微调（Fine-tuning）。这是训练自己数据集的标准做法，能极大加快收敛速度并提升最终性能。如果你想从头开始训练（不推荐，除非数据量极大），可以用--weights ''。

训练开始后，终端会输出每一轮（epoch）的损失值和评估指标。同时，在runs/train/exp（每次训练会新建一个如exp2、exp3的文件夹）里，你会看到实时生成的各种图表：

• results.png: 展示训练损失和验证损失的变化曲线。理想情况下，两条曲线都应该稳步下降并最终趋于平缓。如果验证损失在训练后期开始上升，说明模型过拟合了。
• confusion_matrix.png: 混淆矩阵，直观展示模型在各个类别上的分类错误情况。
• val_batchX_labels.jpg和val_batchX_pred.jpg: 验证集批次的真实标签和模型预测结果对比，可以直观看到模型检测得好不好。

训练完成后，最好的模型权重会保存在runs/train/exp/weights/best.pt。这个文件就是你训练成果的结晶。

5. 模型推理与使用：让模型真正“动”起来

训练出模型只是第一步，让它能对新的图片、视频甚至摄像头实时画面进行预测，才是应用的终点。detect.py脚本就是干这个的，它的功能非常强大。

5.1 基础推理：图片、视频与摄像头

使用我们刚刚训练好的模型进行推理：

# 检测单张图片 python detect.py --weights runs/train/exp/weights/best.pt --source path/to/your/image.jpg # 检测一个文件夹下的所有图片 python detect.py --weights runs/train/exp/weights/best.pt --source path/to/image/folder/ # 检测视频文件 python detect.py --weights runs/train/exp/weights/best.pt --source path/to/video.mp4 # 使用电脑摄像头进行实时检测（源为0） python detect.py --weights runs/train/exp/weights/best.pt --source 0

检测结果默认会保存在runs/detect/exp（同样会自动递增）下。对于图片，会生成画好检测框的新图片；对于视频，会生成一个新的带检测框的视频文件。

5.2 常用推理参数详解

detect.py提供了很多参数来定制推理行为，这里介绍几个最实用的：

• --conf-thres 0.25:置信度阈值。模型预测出的每个框都有一个置信度分数，表示它有多确信这个框里是某个物体。低于这个阈值的预测框会被过滤掉。提高这个值（如0.5）可以让结果更“准”，但可能会漏掉一些模糊的目标；降低这个值则更“敏感”，但可能会引入更多误检。你需要根据实际场景调整。
• --iou-thres 0.45:非极大值抑制（NMS）的IoU阈值。当多个预测框重叠严重（都指向同一个物体）时，NMS会只保留其中最好的一个。这个参数控制“重叠多严重才算同一个物体”。值越小，判定为同一物体的标准越严格，留下的框越少。
• --max-det 300: 每张图片最多保留多少个检测框。防止在非常密集的场景下输出过多结果。
• --save-txt: 保存检测结果的标签文件（YOLO格式）。如果你需要用检测结果做进一步分析或作为新数据集的伪标签，这个功能就很有用。
• --save-conf: 在保存的标签文件里，同时保存每个检测框的置信度。
• --name custom_exp: 指定本次推理结果保存的文件夹名，而不是默认的exp。

一个综合性的命令例子：

python detect.py --weights best.pt --source test_video.mp4 --conf-thres 0.4 --iou-thres 0.5 --save-txt --save-conf --name road_detection

5.3 集成到你的Python代码中

除了命令行，更多时候我们需要将YOLOv5的检测功能集成到自己的Python应用程序里。YOLOv5的开发者提供了非常简洁的API。在你的项目代码中，可以这样调用：

import torch # 加载模型（确保你的环境中已安装YOLOv5所需依赖） model = torch.hub.load('ultralytics/yolov5', 'custom', path='runs/train/exp/weights/best.pt') # 或者使用本地克隆的仓库 # model = torch.hub.load('./yolov5', 'custom', path='best.pt', source='local') # 使用本地路径 # 设置模型参数（可选，会覆盖模型本身的设置） model.conf = 0.25 # 置信度阈值 model.iou = 0.45 # NMS IoU阈值 # 进行推理 img = 'path/to/image.jpg' # 也可以是图片路径的list，或numpy数组，或PIL图像 results = model(img) # 查看结果 results.print() # 在终端打印检测到的物体信息（类别、坐标、置信度） results.show() # 显示带检测框的图片 results.save() # 保存图片到 `runs/detect/exp` 目录 # 以Pandas DataFrame格式获取详细结果，便于程序化处理 predictions = results.pandas().xyxy[0] # 获取第一张图片的预测结果DataFrame print(predictions) # 包含 columns: xmin, ymin, xmax, ymax, confidence, class, name

这种方式非常灵活，你可以轻松地将检测逻辑嵌入到Web服务、桌面应用或自动化脚本中。

6. 模型导出与部署：从PyTorch到生产环境

训练好的.pt文件在PyTorch环境下使用很方便，但如果想部署到移动端（Android/iOS）、边缘计算设备（Jetson系列、树莓派）或者希望获得极致的推理速度，就需要将其转换为其他格式。export.py脚本就是负责这项工作的。

6.1 导出为ONNX格式

ONNX是一种开放的模型交换格式，被很多推理引擎（如OpenVINO, TensorRT, ONNX Runtime）支持。导出ONNX是模型部署的第一步。

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

执行后，你会在best.pt的同目录下得到一个best.onnx文件。有几个关键点需要注意：

• 动态维度：默认导出的ONNX模型的输入尺寸是动态的（-1），这虽然灵活，但某些推理引擎可能要求固定尺寸。你可以通过--dynamic参数来控制。如果想固定为训练时的尺寸，可以加上--img 640（假设你训练时用的是640）。
• 简化ONNX：导出的ONNX可能包含一些冗余算子。可以使用onnx-simplifier工具进行优化：

  pip install onnx-simplifier python -m onnxsim best.onnx best_sim.onnx

• 验证导出：导出后，务必用ONNX Runtime或其他工具加载一下，确保模型结构正确，没有导出错误。

6.2 导出为TensorRT引擎

如果你在NVIDIA的GPU上追求极限推理速度，TensorRT是不二之选。YOLOv5的导出脚本也支持直接导出为TensorRT的.engine文件，但这个过程通常需要先导出ONNX，再用TensorRT的trtexec工具或Python API进行转换。更简单的方式是使用YOLOv5内置的TensorRT导出（需要提前安装好TensorRT）：

python export.py --weights best.pt --include engine --device 0

这个过程会在你的机器上针对特定的GPU（--device 0指定第一块GPU）进行优化，生成一个高度定制化的、序列化后的.engine文件。这个文件只能在你导出时使用的同型号GPU上运行，但速度最快。

6.3 部署到边缘设备（以Jetson Nano为例）

在资源受限的边缘设备上部署YOLOv5，核心思路是：在算力强的机器上完成模型训练和格式转换（如转为TensorRT），再将转换好的模型和精简的推理代码部署到边缘设备。

对于Jetson Nano，步骤通常是：

1. 在x86电脑上训练好YOLOv5模型，并导出为TensorRT引擎（.engine文件）或ONNX格式。
2. 将模型文件拷贝到Jetson Nano。
3. 在Jetson Nano上搭建一个轻量级的Python环境，主要安装PyTorch（或TensorRT的Python包）、OpenCV等。
4. 编写或使用一个只包含前向推理（加载模型、预处理图像、运行模型、后处理结果）的脚本，移除所有训练相关的、庞大的依赖。
5. 使用这个脚本在Jetson Nano上运行模型。

由于Jetson Nano的ARM架构和有限的存储空间，直接在上面用pip install -r requirements.txt安装全部依赖可能会遇到很多编译问题。一个更稳妥的方法是使用NVIDIA官方为Jetson提供的PyTorch轮子（whl文件）进行安装，并只安装必要的包。

7. 实战避坑指南与性能调优

纸上得来终觉浅，绝知此事要躬行。下面这些经验，都是我在多次部署YOLOv5时踩过的坑，希望能帮你节省大量时间。

7.1 安装与依赖常见问题

• ERROR: Could not find a version that satisfies the requirement torch>=1.7.0这是最典型的问题。请严格按照前文所述，先去PyTorch官网获取安装命令。不要用pip install torch。确保你的Python版本（建议3.8）、CUDA版本与PyTorch命令匹配。

• ImportError: libGL.so.1: cannot open shared object file(Linux)这是OpenCV的依赖问题。在Ubuntu/Debian上，运行sudo apt update && sudo apt install libgl1-mesa-glx即可解决。

• “No module named ‘cv2‘或“No module named ‘PIL‘虽然requirements.txt包含了opencv-python和Pillow，但可能因为网络问题安装失败。手动用国内镜像源安装：pip install opencv-python pillow -i https://pypi.tuna.tsinghua.edu.cn/simple。

• 训练时出现“CUDA out of memory”这是显存不足。立即降低--batch-size参数（如从16降到8、4、2）。如果降到1还不够，可以考虑：

  1. 使用更小的模型（从yolov5m.pt换到yolov5s.pt）。
  2. 减小输入图像尺寸--img（如从640降到320）。
  3. 使用梯度累积（--accumulate参数），模拟更大的批次大小。

7.2 训练过程调优与监控

• 损失曲线不下降或震荡剧烈：

  • 学习率太大：这是最常见原因。YOLOv5使用自适应学习率调度，但初始学习率--lr0可能不适合你的数据。尝试将其减小一个数量级（例如从0.01改为0.001）。
  • 数据有问题：检查你的标注是否正确。可以用train.py自带的可视化功能查看一下数据加载是否正确：python train.py --data my_data.yaml --weights yolov5s.pt --epochs 1 --img 640，只跑一个epoch，它会显示一批训练数据，看看框的位置对不对。
  • 批次大小太小：如果--batch-size只能设为1或2，梯度更新会非常不稳定。尝试使用梯度累积（例如--accumulate 4），它会让每4个批次才更新一次权重，相当于模拟批次大小为4的效果。

• 过拟合（训练损失很低，验证损失很高）：

  • 数据太少：这是根本原因。目标检测需要大量数据，每个类别至少要有几百张样本。考虑数据增强或收集更多数据。
  • 训练轮数太多：减少--epochs，或使用早停（Early Stopping）。YOLOv5本身有模型保存策略（保存验证集上表现最好的best.pt），所以通常直接使用best.pt即可，它对应的是验证集性能最好的时刻，而非最后一轮。
  • 减弱数据增强：YOLOv5默认使用了较强的数据增强（在data/hyps/hyp.scratch-low.yaml中配置）。对于小数据集，过强的增强可能有害。你可以尝试修改超参数文件，减小hsv_h,hsv_s,hsv_v（色彩抖动）和degrees（旋转）等增强参数的值。

• 如何选择预训练权重和模型尺寸？

  • --weights yolov5s.pt：模型小，速度快，精度较低。适合移动端、边缘设备或对实时性要求极高的场景。
  • --weights yolov5m.pt：平衡之选。在速度和精度间取得较好平衡，是许多实际项目的起点。
  • --weights yolov5l.pt或yolov5x.pt：模型大，速度慢，精度高。适合对精度要求极高，且拥有强大GPU服务器的场景。
  • 通用建议：从yolov5m.pt开始。如果速度不达标，换s；如果精度不达标，换l或x。

7.3 推理速度优化

当你把模型部署到实际应用中时，帧率（FPS）可能是个关键指标。

• 使用半精度（FP16）推理：现代GPU（如Volta架构及以后的NVIDIA GPU）对半精度浮点数（float16）有很好的支持，能显著提升速度并减少显存占用。在detect.py或你自己的推理脚本中，可以在加载模型后添加：

  model.half() # 将模型转换为半精度

  注意，输入数据也需要转换为半精度（img = img.half()）。使用TensorRT导出时，也可以直接指定精度为FP16。

• 调整推理尺寸：训练时我们用--img 640，但推理时不一定非要这个尺寸。通过detect.py的--imgsz参数可以指定不同的推理尺寸。较小的尺寸（如320）会更快，但可能损失精度；较大的尺寸（如1280）更慢但更准。你需要根据场景在速度和精度间做权衡。

• 启用TensorRT：如前所述，将模型转换为TensorRT引擎（.engine）是获得终极加速的最有效手段，在Jetson等边缘设备上效果尤为明显。

最后，模型训练和调优是一个需要耐心和反复实验的过程。不要指望一次训练就能得到完美结果。多关注runs/train/exp目录下的图表，它们是你了解模型状态最直观的窗口。根据损失曲线和验证指标，有方向地调整超参数、检查数据质量，你的模型才会越来越“聪明”。