[yolo实战]YOLOv5模型训练：口罩检测模型训练与部署全流程

已于 2025-07-31 13:39:51 修改
阅读量928 收藏 19
点赞数 26
CC 4.0 BY-SA版权
文章标签： YOLO 人工智能
于 2025-07-31 11:55:18 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_75276144/article/details/149800472

前言

口罩检测是计算机视觉在公共卫生领域的典型应用，本文将详细介绍如何基于 YOLOv5 框架搭建一个口罩检测模型，实现 "戴口罩" 和 "不戴口罩" 两类目标的实时检测。全程采用 GPU 加速训练，针对口罩这类小目标优化模型参数，适合入门者学习参考。

【如果你对人工智能的学习有兴趣可以看看我的其他博客，对新手很友好！！！】

【本猿定期无偿分享学习成果,欢迎关注一起学习！！！】

 【实现效果】

 一、环境搭建

1.1 创建虚拟环境 

使用 Anaconda 创建专属虚拟环境，避免依赖冲突：

conda create -n yolov5 python=3.9 -y

 创建完成后激活环境：

conda activate yolov5

1.2 安装 GPU 版本 PyTorch

这个需要对应自己的GPU的cuda进行，详情请看:

纯干货，无废话CUDA、cuDNN、 PyTorch 环境搭建教程_cuda+cudnn+pytorch-CSDN博客

1.3 配置 YOLOv5 依赖

1.克隆 YOLOv5 仓库或下载源码到本地

 推荐直接去github上下载zip，网址如下：
GitHub - ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite

https://github.com/ultralytics/yolov5

2.打开 PyCharm，选择已创建的yolov5虚拟环境

 

3.编辑requirements.txt文件

删除以下两行（避免覆盖已安装的 GPU 版本 PyTorch）： 

注意我们已经手动下载了gpu版本的cuda，所以说就需要去把yolo5依赖中的torch删掉，因为自动下载会下载cpu版本的torch而且会覆盖我们的gpu版本。 

4.在 PyCharm 终端执行依赖安装： 

注意必须要到 requirements.txt路径下

pip install -r requirements.txt

 

二、项目结构与文件准备

在 YOLOv5 文件夹下创建train目录，组织结构如下：

  

其中 VOC.yaml和yolov5m.yaml都是yolov5源码中有的，我们拿来修改一下就能用

data下面的VOC.yaml

以及基于model下面的yolov5m.yaml,因为数据集只有几千张，所以说我使用速度和精度中等的m

三、配置文件修改

 3.1 数据集配置（VOC.yaml）

修改VOC.yaml文件，适配口罩检测数据集： 

 【注意路径需要自己修改】

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# 口罩检测数据集配置（精确匹配你的路径）
path: D:\yoloStudy\yolov5-master\train\data
train: train\images
val: val\images
test: test\images

# 类别配置（与标注一致）
nc: 3
names: ['with_mask', 'mask_weared_incorrect', 'without_mask']

download: |
  pass  # 无需自动下载

3.2 模型配置（yolov5m.yaml）

基于yolov5m.yaml修改，适配口罩检测场景： 

1.修改类别数量： 

nc: 2  # 将类别数从默认的80改为2

2.优化锚框尺寸：
口罩属于小目标，调整锚框为更适合小目标的尺寸： 

anchors:
  - [5, 8, 10, 15, 12, 20]    # 小尺度锚框
  - [18, 25, 25, 35, 30, 45]  # 中尺度锚框
  - [40, 55, 50, 70, 65, 90]  # 大尺度锚框

 3.源码:

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# Parameters
nc: 3 # number of classes
depth_multiple: 0.67 # model depth multiple
width_multiple: 0.75 # layer channel multiple
anchors:
  - [5, 8, 10, 15, 12, 20]  # 更小的锚框，适配口罩
  - [18, 25, 25, 35, 30, 45]
  - [40, 55, 50, 70, 65, 90]

# YOLOv5 v6.0 backbone
backbone:
  # [from, number, module, args]
  [
    [-1, 1, Conv, [64, 6, 2, 2]], # 0-P1/2
    [-1, 1, Conv, [128, 3, 2]], # 1-P2/4
    [-1, 3, C3, [128]],
    [-1, 1, Conv, [256, 3, 2]], # 3-P3/8
    [-1, 6, C3, [256]],
    [-1, 1, Conv, [512, 3, 2]], # 5-P4/16
    [-1, 9, C3, [512]],
    [-1, 1, Conv, [1024, 3, 2]], # 7-P5/32
    [-1, 3, C3, [1024]],
    [-1, 1, SPPF, [1024, 5]], # 9
  ]

# YOLOv5 v6.0 head
head: [
    [-1, 1, Conv, [512, 1, 1]],
    [-1, 1, nn.Upsample, [None, 2, "nearest"]],
    [[-1, 6], 1, Concat, [1]], # cat backbone P4
    [-1, 3, C3, [512, False]], # 13

    [-1, 1, Conv, [256, 1, 1]],
    [-1, 1, nn.Upsample, [None, 2, "nearest"]],
    [[-1, 4], 1, Concat, [1]], # cat backbone P3
    [-1, 3, C3, [256, False]], # 17 (P3/8-small)

    [-1, 1, Conv, [256, 3, 2]],
    [[-1, 14], 1, Concat, [1]], # cat head P4
    [-1, 3, C3, [512, False]], # 20 (P4/16-medium)

    [-1, 1, Conv, [512, 3, 2]],
    [[-1, 10], 1, Concat, [1]], # cat head P5
    [-1, 3, C3, [1024, False]], # 23 (P5/32-large)

    [[17, 20, 23], 1, Detect, [nc, anchors]], # Detect(P3, P4, P5)
  ]

四、模型训练

4.1 训练脚本（my_train.py）

创建my_train.py，配置训练参数：

import subprocess
import sys
import os

def train_yolov5():
    # 配置参数
    data_yaml = "VOC.yaml"        # 数据集配置文件路径
    model_yaml = "yolov5m.yaml"   # 模型配置文件路径
    epochs = 100                  # 训练轮次
    batch = 8                     # 批次大小（根据GPU显存调整）
    imgsz = 480                   # 输入图片尺寸
    device = "0"                  # GPU设备编号（单卡默认为0）
    name = "yolov5m_mask_train"   # 训练结果保存名称
    resume = False                # 是否从断点继续训练

    # 构建训练命令
    command = [
        sys.executable,
        os.path.abspath("../train.py"),  # 指向YOLOv5官方训练脚本
        "--data", data_yaml,
        "--cfg", model_yaml,
        "--epochs", str(epochs),
        "--batch", str(batch),
        "--imgsz", str(imgsz),
        "--device", device,
        "--name", name,
        "--workers", "4",
    ]
    if resume:
        command.append("--resume")

    # 执行训练命令
    try:
        subprocess.run(
            command,
            check=True,
            encoding='utf-8'
        )
    except subprocess.CalledProcessError as e:
        print(f"训练失败，返回码: {e.returncode}")
    except FileNotFoundError:
        print("错误：未找到train.py，请检查路径")
    except Exception as e:
        print(f"未知错误: {str(e)}")

if __name__ == "__main__":
    train_yolov5()

4.2 开始训练

在 PyCharm 中运行my_train.py即可开始训练，训练过程中会实时显示损失值、准确率等指标。训练结果默认保存在runs/train/目录下，包含训练日志、模型权重、评估指标等。

 

五、模型测试与推理 

5.1 项目推理目录结构

在yolov5主目录下创建推理相关文件夹，结构如下： 

关键文件说明：

  • test/：放入任意格式（jpg、png 等）的测试图，比如从实际场景抓拍的人像图。

  • best.pt：训练完成后，从 runs/train/[训练任务名]/weights/ 路径下复制 best.pt（最优权重）到此处 。

  • detect.py：自定义脚本，负责调用 YOLOv5 官方检测逻辑，简化结果整理流程。

5.2 推理脚本逐行解析

以下是完整的检测脚本代码，并附带详细注释说明：

import warnings
import os
import glob
import subprocess
import shutil

# 忽略不必要的警告信息，使输出更简洁
warnings.filterwarnings("ignore")

# 路径配置 - 可根据实际情况修改
image_dir = "./test"               # 测试图片文件夹路径
save_dir = "./out"                 # 结果保存路径
detect_script_path = "../detect.py"# YOLOv5官方检测脚本路径（注意相对位置）

# 1. 验证测试图片目录是否存在
if not os.path.isdir(image_dir):
    # 如果目录不存在则抛出错误并终止程序
    raise NotADirectoryError(f"无效目录: {image_dir}")

# 2. 验证YOLOv5官方detect.py是否存在
if not os.path.isfile(detect_script_path):
    raise FileNotFoundError(f"未找到detect.py: {detect_script_path}")
    # 常见问题：此处路径错误，需确认detect.py在YOLOv5源码中的实际位置

# 3. 检查测试目录中是否有图片文件
has_images = False
# 支持常见图片格式：jpg/jpeg/png/bmp
for ext in ['jpg', 'jpeg', 'png', 'bmp']:
    # 查找对应格式的文件
    if glob.glob(f"{image_dir}/*.{ext}"):
        has_images = True
        break

if not has_images:
    raise ValueError(f"未找到图片: {image_dir}")
    # 解决办法：在test目录中放入至少一张图片

# 4. 创建结果保存目录（如果不存在）
os.makedirs(save_dir, exist_ok=True)
# exist_ok=True表示目录存在时不会报错

# 5. 构建调用YOLOv5官方检测脚本的命令
command = [
    "python", detect_script_path,       # 指定Python解释器和官方脚本
    "--source", image_dir,              # 测试图片来源目录
    "--weights", "best.pt",             # 训练好的模型权重
    "--conf", "0.25",                   # 置信度阈值（可调，0.25表示只保留置信度>25%的结果）
    "--project", save_dir,              # 结果保存主目录
    "--name", "",                       # 不创建额外子目录（默认会创建exp文件夹）
    "--exist-ok"                        # 允许目录存在，避免重复运行时报错
]

try:
    # 6. 执行检测命令
    print("开始目标检测...")
    result = subprocess.run(
        command,
        check=True,                     # 命令执行失败时抛出异常
        capture_output=True,            # 捕获命令输出
        text=True                       # 输出为文本格式而非字节
    )

    # 7. 打印检测过程的输出信息
    print("检测完成")
    print(result.stdout)

    # 8. 整理结果目录（解决官方脚本默认创建exp子目录的问题）
    # 查找所有以exp开头的目录
    exp_dirs = glob.glob(os.path.join(save_dir, "exp*"))
    if exp_dirs:
        # 按创建时间排序，取最新的exp目录
        latest_exp_dir = sorted(exp_dirs)[-1]
        # 将exp目录中的所有文件移动到out目录
        for file in glob.glob(os.path.join(latest_exp_dir, "*")):
            shutil.move(file, save_dir)
        # 删除空的exp目录
        os.rmdir(latest_exp_dir)
        print(f"已将结果移动到: {save_dir}")
    else:
        print(f"结果保存至: {save_dir}")

# 异常处理
except subprocess.CalledProcessError as e:
    # 命令执行出错（如参数错误、模型文件损坏等）
    print(f"检测过程出错: {e.stderr}")
except Exception as e:
    # 其他未知错误
    print(f"发生错误: {str(e)}")

5.3 开始测试

运行detect.py即可开始测试，完成后打开out文件夹下查看结果,例:

 

六、数据集获取

在kaggle上下载数据集或自己搜集数据集，下面是链接 

Face Mask Detection

感谢你的观看!

修一呀
关注
基于YOLOv5的口罩佩戴检测系统设计与实现
03-12 460
因此，开发一套基于深度学习的口罩佩戴检测系统，能够在公共场所（如地铁站、商场、机场等）自动监测人员口罩佩戴情况，对于疫情防控和公共安全具有重要意义。本文提出了一种基于YOLOv5的口罩佩戴检测系统，模型mAP达到96.3%，具备实时检测能力，适用于公共场所的安全监测。：支持在不同设备（边缘设备、服务器、摄像头）上部署。：YOLOv5s仅14MB，支持在嵌入式设备上部署。：YOLOv5支持实时检测，适用于高流量场景。：YOLOv5对小目标（如口罩）检测能力优秀。：在COCO数据集上的mAP可达45.7%。
从训练到部署：基于YOLOv5和TensorRT的人脸口罩检测系统全流程实战指南（开源代码）
xu.hyj
02-21 2349
在之前的文章中，我们已经探讨了如何使用TensorRT加速YOLOv5模型的推理过程。如果你已经掌握了这些基础知识，那么现在是时候更进一步了！本文将带你深入实战，从零开始，一步步部署一个属于你自己的目标检测项目。 无论你是刚入门深度学习，还是已经有一定经验的开发者，本文都将为你提供清晰的指引。我们将覆盖从数据标注与整理、模型训练、模型导出，到TensorRT序列化和部署推理的完整流程。通过这个项目，你将不仅学会如何搭建一个高效的目标检测系统，还能掌握如何在实
YOLO算法实现N95口罩检测实战：数据集构建与模型训练
weixin_32099703的博客
06-02 603
YOLO（You Only Look Once）算法自2015年首次提出以来，因其出色的实时性能和检测精度，成为目标检测领域的一大突破。YOLO将目标检测任务视为一个回归问题，直接从图像像素到边界框坐标和类别概率的一次操作。早期版本中YOLO将图像分为一个个格子，每个格子预测边界框和概率，这些预测以一种简单但有效的方式在速度和准确性之间取得了平衡。最新版本的YOLOv5和YOLOv6在模型结构、速度和精度方面都有了显著的改进。在机器学习和计算机视觉领域，图像标注是训练模型识别和理解图像内容的关键步骤。
【YOLO5 项目实战】（2）训练目标检测模型
youcans的博客
08-08 1276
本文详细介绍使用自己的数据集训练专用的 YOLOv5 模型，包括数据集的准备，模型配置，训练和推理过程。
cap4：YoloV5的TensorRT部署指南（python版）
xu.hyj
02-14 1600
在前几章中，我们深入探讨了如何将分类模型ResNet部署到TensorRT上，相信大家对TensorRT模型部署已经有了初步的了解。本文将带你进一步探索如何使用TensorRT部署YOLOv5检测模型。 与分类模型相比，检测模型的部署流程虽然大体相似，但在后处理环节却更为复杂。这包括边界框（bbox）过滤、非极大值抑制（NMS）处理以及坐标转换等步骤。不过，如果你已经具备相关经验，这些步骤对你来说将会是小菜一碟。接下来，我们将一步步解析这些关键环节，帮助你轻松掌握YOLOv5的TensorRT部署技巧。
使用YOLOv5实现人脸口罩佩戴检测（详细）
热门推荐
Stick_2
09-13 2万+
获取人脸口罩的数据集有两种方式：第一种就是使用网络上现有的数据集labelImg 使用教程 图像标定工具注意！
【实战】K210训练与部署YOLO目标检测模型
MSTIFIY的博客
07-08 1万+
K210训练与部署YOLOv3目标检测模型 文章目录K210训练与部署YOLOv3目标检测模型材料准备项目目标实验步骤一、数据集制作1. 准备数据集二、使用步骤1.引入库2.读入数据总结 材料准备 K210（Maix Bit） MaixPy IDE Mx-yolov3 TF卡及读卡器 项目目标 使用部署在K210上的yolov3模型完成水面漂浮垃圾的检测与识别任务 Mx-yolov3能够简化并降低你训练Maix模型的门槛，前言相对于上一个版本，Mx-yolov3的操作更加便捷。 Mx-yolov3
YOLO5实战口罩检测识别（win下 + 环境部署配置 + 口罩YOLO格式数据集+训练好的权重）
qq_37346140的博客
03-23 1793
win下YOLOv5实现口罩检测，整理好的YOLO格式数据集，训练好的模型权重，详细教程等等
【计算机视觉】基于YOLOV3的口罩识别实战教程：从图像标注到模型部署的全流程解析
04-19
本文详细介绍了YOLO算法在口罩识别中的实战应用，涵盖机器学习与深度学习的基础知识、YOLOV3模型及其简化版本YOLO-Fastest的特点与优势、图像采集及标注方法、VOC数据集的制作流程、模型训练与验证的具体步骤以及...
算法部署-基于NCNN在Android平台使用YOLOv4-Tiny进行人脸口罩检测算法实现-优质算法部署项目实战.zip
10-18
本实战项目的目标是在Android平台上利用NCNN框架成功部署基于YOLOv4-Tiny的算法，以实现实时的人脸口罩检测功能。项目不仅仅是一个技术实现，更是一个综合性的工程，涵盖了从算法选择、模型优化、框架适配、环境搭建...
Windows版YOLOv4目标检测实战：人脸口罩佩戴检测
03-07
2. 模型训练：准备口罩佩戴和未佩戴的人脸数据集，进行预处理，然后使用YOLOv4的预训练模型进行迁移学习或者从头训练。 3. 模型优化：根据实际需求调整模型参数，如学习率、批大小等，以达到最佳检测效果。 4. ...
【YOLO部署Android安卓手机APP】YOLOv8部署到安卓实时视频图像目标检测识别-官方/自训练模型YOLOv8人脸/车辆等目标检测（皆可应用在毕设/课设/竞赛/项目/实训/作业等）
11-30
【设计配置文档/演示视频链接：https://archie.blog.csdn.net/article/details/144021872?spm=1001.2014.3001.5502】本文首先讲解如何直接使用官方训练好的模型部署到手机APP进行人脸检测，然后讲解如何修改其他目标...
YOLOv8结构深度优化指南：融入注意力机制与定制化模块提升检测性能
QQ_778132974的博客
07-31 96
注意力机制增强特征选择能力优化C2f结构提升特征提取效率动态卷积适应复杂场景变化双向特征金字塔实现多尺度深度融合解耦检测头优化任务分配实验表明，改进模型在COCO数据集上mAP提升7.0%，同时保持实时检测速度。这些模块化改进方案可根据实际需求灵活组合，为不同应用场景提供定制化解决方案。代码实现已开源：https://github.com/username/enhanced-yolov8。
YOLOv11改进：添加DAttention (DAT)与二次创新C2PSA注意力机制
weixin_39818775的博客
07-28 929
YOLOv11是YOLO系列的最新演进版本，继承了YOLO系列实时目标检测的优势，同时在精度和速度上进行了进一步优化。DAttention (Deformable Attention)通过可变形卷积的思想改进传统注意力机制，能更灵活地适应不同形状和尺寸的目标。C2PSA (Cross-Channel Cross-Position Self-Attention)是一种创新的注意力机制，通过交叉通道和交叉位置的注意力计算，显著提升了特征表示能力。
（超详细）yolo11机器视觉模型环境配置（附带摄像头识别测试）
2302_80884441的博客
07-28 855
使用我们这个yolo模型需要一个比较严格的环境但是对于其他的需要python环境的项目又需要不同的python环境而anaconda这个工具就可以管理和配置多个不同的环境，anaconda还包含了很多第三方库像NumPy（处理数字）、Pandas（处理表格数据）、Matplotlib（画图）、Scikit-learn（机器学习）这些专门的工具。我们需要的时候把他们导入到我们需要的环境就可以了。
YOLO12 改进、魔改｜IDC模块，通过将大核卷积分解为高效并行的小核与带状核分支，提高多尺度感知能力。
qq_64693987的博客
07-31 540
摘要：针对大核卷积网络在GPU上内存访问成本高、吞吐量下降的问题，研究者提出InceptionNeXt模块，通过多分支并行结构（3×3小核、正交带状核和恒等映射）分解大核卷积，在保持大感受野的同时提升计算效率。该方法适用于目标检测和语义分割任务，能平衡全局上下文与局部细节捕捉，并已集成到YOLOv12中，通过改进特征提取结构实现速度与精度的双重提升。具体实现包括代码结构修改、模型配置调整及训练流程优化。（149字）
YOLOv11 环境配置全流程 | 从零开始搭建训练与推理环境
最新发布
shrgegrb的博客
07-31 641
YOLOv11环境配置与训练全流程指南 本文详细介绍了YOLOv11目标检测模型的环境配置、训练与推理全流程。内容包括： 环境要求：列出GPU、CUDA、Python等组件的版本要求，提供快速检查脚本 Windows配置： CUDA 12.6和cuDNN 8.9.7安装步骤 使用Conda创建隔离环境 PyTorch GPU版本安装方法 IDE环境配置 Linux配置：提供Ubuntu 22.04下的CUDA、cuDNN安装命令和Conda环境搭建 Docker方案：提供一键式容器化部署命令 训练实战： 数
YOLO11 在Windows中的配置
Python1996的博客
07-29 292
访问anaconda官网：https://www.anaconda.com/最新版的下载地址会在邮件中给出。
YOLOv8-C2f-Faster-attention模块改进记录
gygedg的博客
07-30 130
以下代码块加入到black.py中。在task.py中以下两个位置分别加入C2f_Faster_SEAttention。在black.py文件中导入模块，并创建C2f_Faster_SEAttention。在task.py中的以下两处位置分别插入C2f_Faster_SEAttention。创建一个_init.py文件，将attention文件中的所有模块导入进模型架构中。先建立一个attention.py文件。证明修改后的模块可以正常运行！
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值