YOLO-v5代码实例：从图片路径到结果可视化的完整流程
1. 引言
1.1 YOLO-v5 技术背景
YOLO（You Only Look Once）是一种流行的物体检测和图像分割模型，由华盛顿大学的 Joseph Redmon 和 Ali Farhadi 开发。自2015年首次发布以来，YOLO 系列因其在保持高检测精度的同时具备极快的推理速度而广受关注。其核心思想是将目标检测任务视为一个回归问题，通过单次前向传播即可完成对整张图像中所有目标的定位与分类。
YOLO-v5 是该系列中由 Ultralytics 团队于2020年推出的实现版本，虽然并非官方 YOLO 论文作者直接开发，但凭借其简洁的代码结构、高效的训练性能以及良好的可部署性，迅速成为工业界和研究领域广泛使用的工具之一。它支持多种模型尺寸（如 yolov5n、yolov5s、yolov5m 等），适用于从边缘设备到服务器级硬件的不同应用场景。
1.2 镜像环境简介
本文基于YOLO-V5 深度学习镜像展开实践操作。该镜像预装了 PyTorch 深度学习框架及 YOLOv5 官方仓库代码，集成了完整的依赖库与开发工具，极大简化了环境配置过程。用户可通过 Jupyter Notebook 或 SSH 方式接入，快速启动目标检测任务。
此外，镜像内置示例脚本与测试数据，支持一键加载预训练模型进行推理，非常适合初学者入门或开发者快速验证算法效果。
2. 使用环境准备
2.1 接入方式说明
本镜像提供两种主要使用方式：
- Jupyter Notebook：适合交互式开发与可视化调试。
- SSH 远程连接：适合长期运行任务或批量处理。
图片描述：Jupyter 登录界面与文件浏览页面截图
图片描述：SSH 登录提示界面
推荐新手使用 Jupyter 方式，便于查看每一步输出结果。
2.2 进入项目目录
无论采用哪种方式，首先需进入 YOLOv5 的主项目路径：
cd /root/yolov5/该目录包含models/、utils/、detect.py、train.py等核心组件，已配置好所需 Python 包（如torch,opencv-python,matplotlib等），无需额外安装。
3. 完整推理流程实现
3.1 加载预训练模型
YOLOv5 支持通过torch.hub直接加载不同规模的预训练模型。常用型号包括：
| 模型 | 参数量 | 推理速度（GPU） | 适用场景 |
|---|---|---|---|
| yolov5n | ~1.9M | 极快 | 边缘设备、实时检测 |
| yolov5s | ~7.2M | 快 | 平衡精度与速度 |
| yolov5m | ~21.2M | 中等 | 通用场景 |
| yolov5l | ~46.5M | 较慢 | 高精度需求 |
| yolov5x | ~86.7M | 慢 | 最大精度 |
本文以yolov5s为例，执行以下代码：
import torch # Load a YOLOv5 model (options: yolov5n, yolov5s, yolov5m, yolov5l, yolov5x) model = torch.hub.load("ultralytics/yolov5", "yolov5s") # Default: yolov5s首次运行时会自动下载权重文件（约140MB），后续调用将直接从本地缓存加载。
3.2 输入图像定义
YOLOv5 支持多种输入格式，包括：
- 网络图片 URL
- 本地图片路径
- PIL 图像对象
- OpenCV 读取的 numpy 数组
- 多图列表
示例使用官方提供的测试图像链接：
img = "https://ultralytics.com/images/zidane.jpg" # Example image若要使用本地图片，请确保路径正确，并确认文件存在：
img = "/root/yolov5/data/images/bus.jpg" # 替换为实际路径3.3 执行推理
调用模型进行推理非常简单，只需传入图像即可：
# Perform inference (handles batching, resizing, normalization automatically) results = model(img)此步骤内部完成了以下操作： - 图像解码（如果是 URL 或路径） - 缩放至合适尺寸（默认 640×640） - 归一化处理 - 批量前向传播 - NMS（非极大值抑制）后处理
整个过程对用户透明，极大降低了使用门槛。
3.4 结果处理与输出
YOLOv5 提供丰富的结果处理方法，便于不同用途的数据提取和展示。
打印检测结果
results.print()输出示例如下：
zidane.jpg: 384x640 (w,h), 2 persons, 1 tie, Done. (0.012s)显示图像尺寸、检测到的目标类别与数量、耗时等信息。
显示检测图像
results.show()弹出窗口展示原始图像上叠加边界框和标签的结果。注意：在无图形界面的服务器环境中需启用 X 转发或保存图像代替显示。
保存检测结果
results.save()将带标注的图像保存至runs/detect/exp/目录下。若已有同名目录，则自动创建exp2,exp3等避免覆盖。
裁剪检测目标
cropped_images = results.crop()返回每个检测框内的裁剪图像列表，可用于后续分类或分析任务。
获取结构化数据（Pandas 格式）
df = results.pandas().xyxy[0] print(df)输出如下表格形式的结果：
| xmin | ymin | xmax | ymax | confidence | class | name |
|---|---|---|---|---|---|---|
| 100.2 | 150.4 | 300.1 | 500.3 | 0.987 | 0 | person |
| 400.5 | 200.1 | 450.2 | 250.0 | 0.921 | tie | tie |
方便进一步做数据分析、筛选或导出 CSV 文件。
4. 自定义图像检测实战
4.1 准备本地图像
假设我们有一张名为dog_cat.jpg的本地图片，存放于/root/yolov5/data/images/目录下。
img_path = "/root/yolov5/data/images/dog_cat.jpg"4.2 完整代码整合
以下是完整可运行的检测脚本：
import torch import cv2 import matplotlib.pyplot as plt # Step 1: Load model model = torch.hub.load("ultralytics/yolov5", "yolov5s") # Step 2: Define input img_path = "/root/yolov5/data/images/dog_cat.jpg" # Step 3: Inference results = model(img_path) # Step 4: Process results results.print() # Print to console results.save() # Save annotated image # Optional: Show using matplotlib img_bgr = cv2.imread(img_path) img_rgb = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2RGB) plt.figure(figsize=(10, 6)) plt.imshow(results.render()[0]) plt.axis('off') plt.title("Detected Objects") plt.show()
results.render()返回绘制了边界框和标签的图像数组，可用于 Matplotlib 可视化。
4.3 输出说明
执行完成后，在runs/detect/exp/目录中可找到生成的图像文件，包含清晰标注的目标框和类别名称。
同时控制台输出类似：
dog_cat.jpg: 480x640 (w,h), 1 dog, 1 cat, Done. (0.014s)表明成功识别出一只狗和一只猫，推理时间仅约14毫秒（取决于硬件性能）。
5. 常见问题与优化建议
5.1 常见问题解答
| 问题 | 原因 | 解决方案 |
|---|---|---|
urllib.error.URLError | 网络不通或URL失效 | 更换图片源或使用本地文件 |
ModuleNotFoundError | 缺少依赖包 | 使用pip install -r requirements.txt |
CUDA out of memory | GPU显存不足 | 切换为更小模型（如 yolov5n）或降低 batch size |
No such file or directory | 图像路径错误 | 检查路径是否存在，使用绝对路径 |
5.2 性能优化建议
- 选择合适模型：根据设备资源选择模型大小，边缘设备优先使用
yolov5n或yolov5s。 - 启用半精度（FP16）：减少内存占用并提升推理速度：
python model = model.half().cuda() img = img.half().cuda() - 批量推理：当处理多张图像时，传入图像列表以提高效率：
python imgs = ["img1.jpg", "img2.jpg", "img3.jpg"] results = model(imgs) - 关闭日志冗余：生产环境中可通过设置日志级别减少输出干扰：
python import logging logging.getLogger("yolov5").setLevel(logging.WARNING)
6. 总结
6.1 核心要点回顾
本文围绕 YOLOv5 的实际应用，详细介绍了从环境准备到完整推理流程的全过程：
- 使用预置镜像快速搭建开发环境；
- 通过
torch.hub.load加载预训练模型； - 支持多种输入源（URL、本地路径等）；
- 实现检测结果的打印、显示、保存、裁剪与结构化提取；
- 展示了自定义图像检测的完整代码示例；
- 提供常见问题排查与性能优化建议。
6.2 最佳实践建议
- 优先使用本地图像进行调试，避免网络不稳定影响实验；
- 定期清理
runs/detect/目录，防止磁盘空间被占满； - 结合 Pandas 分析检测结果，便于统计与过滤；
- 在部署前导出为 ONNX 模型，以便跨平台部署。
通过本文所述流程，开发者可在几分钟内完成一次端到端的目标检测任务，显著提升研发效率。
获取更多AI镜像
想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。
