WWF世界自然基金会1. 项目概述
这个毕业设计项目聚焦于使用深度学习技术实现车型检测，核心是基于YOLOv5算法构建一个能够准确识别不同车辆类型的计算机视觉系统。作为计算机视觉领域的经典应用场景，车型检测在智能交通、停车场管理、自动驾驶等场景中具有广泛的应用价值。
我选择YOLOv5作为基础框架主要基于三点考量：首先，相比前代YOLOv3/v4，v5版本在保持高精度的同时大幅提升了推理速度；其次，PyTorch框架的生态完善，便于二次开发和调试；最后，社区资源丰富，遇到问题容易找到解决方案。整个项目从数据采集标注到模型训练优化，再到最终部署测试，完整覆盖了深度学习项目的全生命周期。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 核心需求解析
2.1 技术选型依据
在目标检测领域，Faster R-CNN、SSD和YOLO系列是三大主流算法。经过对比测试，YOLOv5在速度和精度的平衡上表现最优，特别适合需要实时处理的车型检测场景。具体到版本选择，考虑到毕业设计的硬件条件，我最终采用了yolov5s这个轻量级模型，其参数量仅7.2M，在GTX 1660Ti显卡上能达到140FPS的推理速度。
注意：如果使用服务器级显卡（如RTX 3090），可以考虑yolov5m甚至yolov5l版本以获得更高精度，但训练时间和硬件要求会显著增加。
2.2 数据集构建要点
优质的数据集是模型性能的基石。本项目采用了以下数据源：
- Stanford Cars Dataset：包含196类车型的16,185张图像
- CompCars Dataset：涵盖1,716种车型的136,726张图像
- 自采数据：通过道路监控视频截取2,000+张本地车辆图像
数据标注采用LabelImg工具，需特别注意：
- 标注框应紧密贴合车辆轮廓
- 遮挡超过50%的车辆建议不标注
- 不同角度（前/后/侧）的同一车型应视为不同类别
3. 环境配置详解
3.1 基础环境搭建
推荐使用conda创建虚拟环境以避免依赖冲突：
bash复制conda create -n yolov5 python=3.8
conda activate yolov5
pip install torch==1.10.0+cu113 torchvision==0.11.1+cu113 -f https://download.pytorch.org/whl/torch_stable.html
3.2 YOLOv5源码配置
从官方仓库克隆代码并安装依赖：
bash复制git clone https://github.com/ultralytics/yolov5
cd yolov5
pip install -r requirements.txt
国内用户可能遇到下载慢的问题，可以通过以下方式加速：
- 使用清华pip镜像源
- 手动下载预训练模型到./weights目录
- 数据集存放在./datasets目录下
4. 模型训练实战
4.1 数据准备规范
数据集目录结构应如下组织：
code复制datasets/
├── images/
│ ├── train/
│ └── val/
└── labels/
├── train/
└── val/
需要创建dataset.yaml配置文件：
yaml复制train: ../datasets/images/train
val: ../datasets/images/val
nc: 10 # 车型类别数
names: ['sedan', 'suv', 'truck', 'bus', 'van', 'pickup', 'sports', 'hatchback', 'mpv', 'electric']
4.2 训练参数调优
启动训练的核心命令：
bash复制python train.py --img 640 --batch 16 --epochs 100 --data dataset.yaml --cfg models/yolov5s.yaml --weights yolov5s.pt
关键参数解析：
- --img：输入图像尺寸，越大精度越高但速度越慢
- --batch：根据GPU显存调整，GTX 1660Ti建议8-16
- --epochs：通常50-300，可通过早停机制动态调整
4.3 训练过程监控
YOLOv5会自动生成以下监控文件：
- runs/train/exp/weights/：保存最佳和最后模型
- runs/train/exp/results.png：损失函数和指标变化曲线
- runs/train/exp/val_batchX_labels.jpg：验证集预测示例
建议重点关注：
- mAP@0.5：主要精度指标，应持续上升
- box_loss：建议降至0.05以下
- cls_loss：建议降至0.03以下
5. 模型优化技巧
5.1 数据增强策略
在data.yaml中可配置增强参数：
yaml复制augment: True
hsv_h: 0.015 # 色相增强
hsv_s: 0.7 # 饱和度增强
hsv_v: 0.4 # 明度增强
degrees: 10 # 旋转角度
translate: 0.1 # 平移比例
scale: 0.5 # 缩放比例
5.2 模型剪枝量化
使用TorchPruner进行通道剪枝：
python复制from torchpruner import SparsePruner
pruner = SparsePruner(model, sparsity=0.3)
pruner.step()
TensorRT量化可提升推理速度3-5倍：
bash复制python export.py --weights best.pt --include onnx engine --device 0 --half
6. 部署应用方案
6.1 Flask Web服务
创建简单的检测API：
python复制from flask import Flask, request
import torch
app = Flask(__name__)
model = torch.hub.load('ultralytics/yolov5', 'custom', path='best.pt')
@app.route('/detect', methods=['POST'])
def detect():
file = request.files['image']
img = Image.open(file.stream)
results = model(img)
return results.pandas().xyxy[0].to_json(orient='records')
6.2 边缘设备部署
在Jetson Nano上的优化部署：
- 安装JetPack 4.6+
- 使用TensorRT加速：
bash复制sudo apt-get install python3-pip python3-dev
pip3 install nvidia-pyindex
pip3 install torch-1.10.0-cp36-cp36m-linux_aarch64.whl
python3 export.py --weights best.pt --include engine --device 0
7. 常见问题排查
7.1 训练问题集
| 问题现象 | 可能原因 | 解决方案 |
|---|---|---|
| NaN损失 | 学习率过高 | 降低lr0至0.001以下 |
| mAP不升 | 数据标注质量差 | 检查标注一致性 |
| GPU利用率低 | batch_size太小 | 增大batch或使用梯度累积 |
7.2 部署问题集
| 错误类型 | 典型表现 | 修复方法 |
|---|---|---|
| CUDA内存不足 | RuntimeError | 减小推理时img-size |
| ONNX导出失败 | Unsupported op | 更新torch和onnx版本 |
| TensorRT精度下降 | 检测框偏移 | 禁用--half浮点优化 |
8. 项目进阶方向
- 多模态融合：结合激光雷达点云数据提升夜间检测精度
- 细粒度分类：识别具体车型（如奥迪A6 vs 宝马5系）
- 跟踪集成：使用DeepSORT实现车辆轨迹追踪
- 量产业务：基于Flask+Vue开发完整管理平台
这个项目从零开始完整实现了基于深度学习的车型检测系统，过程中最大的收获是对PyTorch生态的深入理解和实际问题解决能力的提升。建议学弟学妹们在复现时，可以先从yolov5s的小模型开始，等跑通流程后再尝试更大模型或改进算法。