YOLO-v5新手教程：预训练模型快速测试与推理

想试试目标检测模型到底有多厉害，但又担心环境配置太复杂、代码看不懂？别担心，这篇教程就是为你准备的。我们不讲复杂的原理，也不搞繁琐的环境搭建，直接带你用最简单、最快速的方式，体验YOLO-v5这个“网红”目标检测模型的能力。

想象一下，你只需要几行代码，就能让电脑自动识别出照片里的人、车、狗、杯子……是不是很酷？今天，我们就用CSDN星图镜像广场上已经配置好的YOLO-v5镜像，跳过所有安装坑，直奔主题——快速测试与推理。整个过程，从启动到看到结果，可能比你泡一杯咖啡的时间还短。

1. 零门槛启动：你的YOLO-v5“开箱即用”环境

通常，运行一个深度学习模型需要安装Python、PyTorch、各种依赖库，版本不对还可能报错，对新手极不友好。但在这里，这一切都已经被打包好了。

1.1 获取并启动镜像

首先，你需要访问CSDN星图镜像广场，找到名为 “Yolo-v5” 的镜像。这个镜像已经预装了运行YOLO-v5所需的一切：PyTorch深度学习框架、YOLO-v5的官方代码库以及所有必要的依赖。

点击“部署”或类似的启动按钮后，系统会为你分配一个云端计算环境。启动成功后，你会看到几种访问方式，我们选择最直观、最适合新手的 Jupyter Notebook。

1.2 进入Jupyter Notebook工作区

点击Jupyter的访问链接，你会进入一个类似文件管理器的网页界面。这就是你的云端编程环境。所有操作都在浏览器里完成，不需要在本地安装任何软件。

在文件列表中，你应该能看到一个名为 yolov5 的文件夹。这就是我们今天要用的“武器库”，里面包含了YOLO-v5的所有源代码和示例。

2. 五分钟体验：用预训练模型识别万物

好了，环境就绪，我们直接上代码。整个过程就像搭积木一样简单。

2.1 第一步：打开并运行示例代码

在Jupyter界面中，进入 /root/yolov5/ 目录。为了方便大家，镜像里通常已经准备好了一个演示用的Notebook文件（比如 demo.ipynb）或者你可以直接新建一个。

我们新建一个Notebook，然后把下面这段核心代码复制进去。这段代码的作用是：加载一个预训练好的YOLO-v5模型，然后让它分析一张网络图片。

import torch

# 1. 加载YOLO-v5模型（‘yolov5s’是最小的版本，速度快，适合测试）
model = torch.hub.load('ultralytics/yolov5', 'yolov5s')

# 2. 指定要检测的图片（这里直接用了一个网络图片的链接）
img_url = "https://ultralytics.com/images/zidane.jpg"
# 你也可以换成你自己的图片，比如：img_path = 'path/to/your/image.jpg'

# 3. 进行推理！模型会自动处理图片缩放、归一化等所有步骤
results = model(img_url)

# 4. 查看结果
results.print()  # 在下方打印出检测到的物体、位置和置信度
results.show()   # 弹出一个窗口显示带检测框的图片（在Notebook里直接显示）

选中这个代码单元格，按 Shift + Enter 运行。你会看到程序开始下载模型（第一次运行需要下载，稍等片刻），然后输出类似下面的信息：

image 1/1: 720x1280 2 persons, 1 tie, 1 sports ball
Speed: 10.2ms pre-process, 12.8ms inference, 1.2ms NMS per image at shape (1, 3, 640, 640)

同时，图片会显示出来，上面用框标出了两个人、一条领带和一个运动球，并标注了名称和置信度（比如 person 0.89 表示89%的把握认为这是一个人）。

恭喜你！你已经完成了第一次目标检测！ 模型成功地从一张复杂的图片中找出了多个物体。

2.2 第二步：试试你自己的图片

用网络图片演示很酷，但用你自己的图片更有成就感。有两种简单的方法：

方法一：使用本地图片 如果你在Jupyter里上传了自己的图片（比如 my_cat.jpg），只需修改代码中的图片路径：

# 假设图片上传到了当前目录
img_path = './my_cat.jpg'
results = model(img_path)
results.show()

方法二：使用摄像头或视频（进阶） YOLO-v5也支持实时摄像头流或视频文件。例如，检测电脑摄像头：

# 检测默认摄像头（摄像头索引通常是0）
results = model(0)  # 这会打开一个实时检测窗口

或者检测一个视频文件：

results = model('my_video.mp4')

3. 结果解读与保存：看懂模型在说什么

运行完代码，除了看到带框的图片，我们还能对结果做什么？

3.1 理解输出信息

运行 results.print() 后，终端会输出几行信息：

• 2 persons, 1 tie...： 这行告诉你图片里检测到了什么，以及数量。
• Speed: ...： 这行显示了处理速度，包括预处理、推理（模型计算）和后处理（NMS非极大值抑制）的时间。这个速度是在特定硬件（比如镜像提供的GPU）上测得的，体现了YOLO“快”的特点。

3.2 多种方式处理结果

YOLO-v5的 results 对象非常强大，提供了多种处理结果的方式：

# 继续使用上面的 results 对象

# 1. 将结果保存为图片
results.save()  # 默认保存到 ‘runs/detect/exp’ 文件夹，每次运行会新建一个（如exp2, exp3）

# 2. 以Pandas DataFrame格式获取详细结果（适合做数据分析）
pandas_results = results.pandas().xyxy[0]  # 获取第一张图片的检测结果表
print(pandas_results)
# 这个表格会包含每个检测框的坐标(xmin, ymin, xmax, ymax)、置信度、类别名等信息。

# 3. 裁剪出检测到的物体
cropped_imgs = results.crop()  # 将每个检测到的物体保存为单独的图片文件

对于数据分析，pandas_results 表格特别有用。你可以轻松地统计图片中出现了多少种物体，或者过滤出置信度高于某个阈值（比如0.8）的所有“人”。

4. 探索不同模型：从快到准，总有一款适合你

你可能注意到了，我们加载模型时用的是 ‘yolov5s’。YOLO-v5官方提供了多个不同大小的预训练模型，就像手机有“标准版”、“Pro版”和“Ultra版”一样。

模型代号	特点	适用场景
yolov5n	Nano，最小最快，精度较低	对速度要求极高的移动端或嵌入式设备
yolov5s	Small，小且快，精度与速度平衡	入门测试、实时检测的首选
yolov5m	Medium，中等大小，精度更高	对精度有一定要求的通用场景
yolov5l	Large，大模型，精度高	追求高精度的服务器端应用
yolov5x	XLarge，最大最准，速度最慢	学术研究或对精度有极致要求的场景

你可以像换衣服一样轻松切换模型，只需修改加载模型的那行代码：

# 试试更大、更准的模型
model_large = torch.hub.load('ultralytics/yolov5', 'yolov5l')  # 加载Large模型
results_large = model_large(img_url)
results_large.show()

运行后你会发现，yolov5l 模型可能会检测出更多、更准确的物体（比如远处更小的物体），但处理速度会比 yolov5s 慢一些。这就体现了在速度和精度之间的权衡。

5. 常见问题与小技巧

第一次尝试，难免会遇到一些小问题。这里列出几个最常见的：

• 问题：运行 torch.hub.load 时下载模型很慢或失败。

  • 解决：镜像通常已经预下载了常用模型。如果遇到问题，可以检查网络，或者手动下载模型文件（.pt格式）放到指定目录，然后通过 model = torch.hub.load(..., local_model_path) 方式加载。

• 问题：results.show() 在Jupyter里不显示图片。

  • 解决：Jupyter有时需要额外配置。更可靠的方式是直接保存图片然后查看：results.save()，然后去 runs/detect/exp 文件夹里找到生成的图片。

• 问题：如何只检测特定的物体（比如只检测人和车）？

  • 解决：加载模型时可以指定类别。例如，只检测‘person’和‘car’：

    model = torch.hub.load('ultralytics/yolov5', 'yolov5s', classes=[0, 2])  # COCO数据集中，0是人，2是车
    

    或者使用 model.conf = 0.25 调整置信度阈值，过滤掉把握不大的检测框。

• 技巧：批量检测多张图片。

  • 非常简单，把图片路径放在一个列表里传给模型就行：

    image_list = [‘img1.jpg’, ‘img2.jpg’, ‘img3.jpg’]
    batch_results = model(image_list)
    batch_results.show() # 会显示所有图片的结果
    batch_results.save() # 会保存所有图片的结果
    

6. 总结

通过这个简短的教程，你已经掌握了使用预训练YOLO-v5模型进行目标检测的核心流程：

1. 环境免配置：利用预置镜像，跳过所有安装烦恼，直接进入实战。
2. 核心三板斧：加载模型 (torch.hub.load)、输入图片、执行推理 (model(img))，三行代码就能看到效果。
3. 结果随心用：可以屏幕显示、保存图片，还能导出详细数据表格进行进一步分析。
4. 模型可切换：根据需求在速度（yolov5n/s）和精度（yolov5l/x）之间灵活选择。

这仅仅是YOLO-v5世界的入口。这个预训练模型已经能识别80种常见物体（COCO数据集）。如果你想让它识别特定的东西，比如识别某种零件、某种植物，下一步就是准备自己的图片数据，对模型进行微调训练——这将是另一个有趣的故事。

现在，尽情尝试吧！换不同的图片，试试不同的模型，感受一下现代计算机视觉技术带来的“火眼金睛”。

---

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。