别再只跑Demo了！用YOLOv5s训练你自己的水果检测模型（附数据集和PyQt界面代码）-编程实验室

从Demo到实战：YOLOv5s水果检测模型全流程开发指南

在计算机视觉领域，跑通官方Demo只是万里长征的第一步。当你看着预训练模型完美识别COCO数据集中的常见物体时，是否想过如何让AI识别那些对你业务真正重要的目标？本文将以水果新鲜度检测为例，带你完整走通从数据准备到界面集成的全流程，掌握YOLOv5模型定制的核心方法论。

1. 数据工程：构建高质量水果检测数据集

1.1 数据采集的实用技巧

水果检测的特殊性在于需要捕捉新鲜与腐败的细微差异。建议采集时注意：

光照多样性：在不同时段（早晨/正午/傍晚）和光源（自然光/LED灯/荧光灯）下拍摄
角度覆盖：每个水果至少包含俯视、侧视和45度角三种视角
背景复杂度：单色背景（实验室环境）与市场实景各占50%

# 使用OpenCV自动调整采集参数示例 import cv2 cap = cv2.VideoCapture(0) cap.set(cv2.CAP_PROP_EXPOSURE, -4) # 降低曝光以突出腐败区域 cap.set(cv2.CAP_PROP_FOCUS, 30) # 固定焦距保证清晰度

1.2 标注中的关键细节

使用LabelImg标注时，这些技巧能提升模型效果：

边界框策略：
- 轻微腐败：框选腐败区域+周边1cm健康部分
- 完全腐败：完整框选整个水果

类别设计：

- fresh_apple - rotten_apple - fresh_banana - rotten_banana

标签验证脚本：

python yolov5/scripts/verify_labels.py --data dataset.yaml --img-size 640

1.3 数据增强的针对性方案

在dataset.yaml中配置这些增强参数特别有效：

augmentation: hsv_h: 0.015 # 色相扰动不宜过大 hsv_s: 0.7 # 增强饱和度扰动以模拟不同成熟度 hsv_v: 0.4 # 明度扰动帮助模型适应光照变化 degrees: 10 # 小角度旋转保留重力方向特征 mixup: 0.2 # 混合样本增强对腐败检测效果显著

2. 模型训练：YOLOv5s的调参艺术

2.1 关键参数的科学配置

不同规模数据集的推荐配置：

数据量	batch_size	epochs	lr0	weight_decay
<500	8	300	0.01	0.0005
500-2k	16	150	0.02	0.001
>2k	32	100	0.03	0.005

提示：当GPU显存不足时，使用--accumulate 2等效增大batch size

2.2 损失函数的监控策略

通过--logdir runs生成的训练日志应重点观察：

box_loss：持续高于0.1可能需要检查标注质量
obj_loss：理想值应在0.02-0.05区间
cls_loss：超过0.3说明分类任务存在困难

# 自定义Early Stopping回调 from yolov5.utils.callbacks import Callback class FruitEarlyStopping(Callback): def __init__(self, patience=30): self.patience = patience def on_train_epoch_end(self, epoch, logs=None): if logs['val/mAP_0.5'] > 0.85 and logs['val/cls_loss'] < 0.2: self.trainer.should_stop = True

2.3 模型压缩与加速技巧

在保持精度的前提下提升推理速度：

通道剪枝：

python yolov5/train.py --data fruit.yaml --weights yolov5s.pt --prune 0.3

量化部署：

model = torch.quantization.quantize_dynamic( model, {torch.nn.Linear}, dtype=torch.qint8 )

TensorRT优化：

python yolov5/export.py --weights best.pt --include engine --device 0

3. 性能评估：超越mAP的实战指标

3.1 业务导向的评估体系

除常规指标外，水果检测需特别关注：

指标名称	计算公式	达标要求
腐败检出率	TP/(TP+FN)	≥90%
新鲜误判率	FP/(FP+TN)	≤5%
推理速度	1/(平均处理时间)	≥30FPS
显存占用	GPU-Util	≤2GB

3.2 典型误检案例分析

通过python yolov5/detect.py --save-txt保存预测结果后：

import pandas as pd errors = pd.DataFrame({ 'type': ['过检', '漏检', '错检'], '比例': [12%, 8%, 5%], '主要原因': [ '腐败区域纹理相似', '遮挡严重', '反光干扰' ] }) print(errors.to_markdown())

3.3 模型迭代的AB测试方案

使用python yolov5/val.py --task study进行多模型对比：

# 测试集性能对比脚本 for weight in weights/*.pt; do python val.py --data fruit.yaml --weights $weight \ --batch-size 16 --name $(basename $weight) done

4. PyQt界面开发：检测系统工业化落地

4.1 高效界面架构设计

采用MVP模式分离业务逻辑：

app/ ├── model/ # 检测模型封装 │ ├── predictor.py │ └── utils.py ├── view/ # PyQt界面 │ ├── main_window.py │ └── resources/ └── presenter/ # 业务逻辑 ├── video_thread.py └── image_processor.py

4.2 关键功能实现代码

实时视频检测的线程封装：

class DetectionThread(QThread): result_ready = pyqtSignal(np.ndarray) def __init__(self, model_path): super().__init__() self.model = torch.hub.load('ultralytics/yolov5', 'custom', path=model_path) self.running = False def run(self): cap = cv2.VideoCapture(0) self.running = True while self.running: ret, frame = cap.read() if ret: results = self.model(frame) self.result_ready.emit(results.render()[0])

4.3 性能优化实战技巧

确保界面流畅的三大措施：

图像传输优化：

def convert_cv_qt(cv_img): rgb_image = cv2.cvtColor(cv_img, cv2.COLOR_BGR2RGB) h, w, ch = rgb_image.shape bytes_per_line = ch * w return QImage(rgb_image.data, w, h, bytes_per_line, QImage.Format_RGB888)

模型预热机制：

# 应用启动时预加载模型 self.detector = YOLOv5Detector() self.detector.warmup(imgsz=640)

内存管理策略：

def clear_memory(self): torch.cuda.empty_cache() gc.collect()

5. 部署与持续改进

5.1 跨平台打包方案

使用PyInstaller创建独立可执行文件：

pyinstaller --onefile --windowed \ --add-data "best.pt;." \ --add-data "fruit.yaml;." \ main.py

5.2 用户反馈闭环系统

在界面中集成错误报告功能：

def submit_feedback(self): feedback = { 'timestamp': datetime.now().isoformat(), 'image': base64.b64encode(self.current_image), 'prediction': self.last_results.xyxy[0].tolist(), 'comment': self.feedback_text.toPlainText() } requests.post('http://your-api/feedback', json=feedback)