YOLOv5分类模型训练实战：从数据准备到工业部署

1. 项目概述

在计算机视觉领域，YOLOv5系列模型因其出色的性能和易用性广受欢迎。虽然YOLOv5最初以目标检测闻名，但其分类分支同样强大。本文将手把手教你如何在自己的数据集上训练YOLOv5分类模型，整个过程基于PyTorch框架实现。

我最近在一个工业质检项目中成功应用了这套方法，将产品缺陷分类准确率提升到了98.3%。下面分享的每个步骤都经过实际项目验证，包含你可能遇到的各种"坑"和解决方案。

2. 环境准备与数据整理

2.1 硬件与软件配置

推荐使用以下配置以获得最佳训练效率：

• GPU：NVIDIA RTX 3090（24GB显存）或更高
• CUDA 11.3 + cuDNN 8.2.0
• Python 3.8+
• PyTorch 1.10.0+

安装核心依赖包：

bash复制pip install torch==1.10.0+cu113 torchvision==0.11.1+cu113 -f https://download.pytorch.org/whl/torch_stable.html
pip install yolov5==6.2 -U

注意：YOLOv5版本必须≥6.0才支持分类任务，早期版本仅含检测功能

2.2 数据集结构规范

YOLOv5分类训练要求特定的目录结构：

code复制custom_dataset/
├── train/
│   ├── class1/
│   │   ├── img1.jpg
│   │   └── img2.jpg
│   └── class2/
│       ├── img3.jpg
│       └── img4.jpg
└── val/
    ├── class1/
    └── class2/

关键要点：

• 每个子目录对应一个类别
• 建议训练集与验证集比例保持8:2
• 图像格式支持JPG/PNG等常见格式

3. 模型训练全流程

3.1 配置文件调整

复制默认配置文件并修改：

python复制# 从YOLOv5仓库复制分类配置文件
cp models/yolov5s-cls.yaml models/custom-cls.yaml

# 主要修改参数
nc: 2  # 类别数
depth_multiple: 0.33  # 模型深度系数
width_multiple: 0.50  # 层宽度系数

3.2 启动训练命令

使用以下命令开始训练：

bash复制python classify/train.py \
    --model models/custom-cls.yaml \
    --data ../custom_dataset \
    --epochs 100 \
    --img 224 \
    --batch-size 64 \
    --device 0 \
    --workers 8

关键参数解析：

• --img 224：输入图像统一缩放到224×224
• --batch-size：根据显存调整，建议占满显存的80%
• --workers：数据加载线程数，通常设为CPU核心数的2-4倍

3.3 训练过程监控

训练启动后会自动生成如下日志：

code复制Epoch   gpu_mem       loss       acc   val_loss  val_acc
    0     5.21G     1.2345    0.5678    1.1234   0.6789
    1     5.21G     0.9876    0.7123    0.8765   0.7654
    ...

重点关注指标：

• acc：训练集准确率
• val_acc：验证集准确率
• 两者差距＞5%可能出现过拟合

4. 模型评估与优化技巧

4.1 性能评估方法

使用内置验证脚本：

bash复制python classify/val.py \
    --weights runs/train-cls/exp/weights/best.pt \
    --data ../custom_dataset \
    --img 224

输出包含：

• 混淆矩阵
• 各类别precision/recall/F1-score
• 总体准确率

4.2 常见优化策略

根据我的实战经验，这些技巧很有效：

1. 数据增强调整：

yaml复制# 在data.yaml中增加
augment: True
augment_params:
  hsv_h: 0.015  # 色调增强幅度
  hsv_s: 0.7    # 饱和度增强幅度 
  hsv_v: 0.4    # 明度增强幅度
  flipud: 0.5   # 上下翻转概率

2. 学习率调度：

bash复制--lr0 0.01  # 初始学习率
--lrf 0.01  # 最终学习率系数(0.01表示lr0*0.01)

3. 早停机制：

bash复制--patience 10  # 验证指标10轮不提升则停止

5. 实际应用与问题排查

5.1 模型导出与部署

导出ONNX格式便于部署：

bash复制python export.py \
    --weights runs/train-cls/exp/weights/best.pt \
    --include onnx \
    --img 224

部署示例代码：

python复制import torch
model = torch.hub.load('ultralytics/yolov5', 'custom', 'best.onnx')
results = model('test.jpg')
print(results.probs)  # 输出各类别概率

5.2 常见问题解决方案

1. 显存不足报错：

• 降低--batch-size（建议从32开始尝试）
• 减小--img-size（最低支持128×128）

2. 准确率波动大：

• 检查数据标注质量
• 增加--workers减少数据加载瓶颈
• 尝试--adam优化器替代默认SGD

3. 类别不平衡：

bash复制--class-weights 1.0 2.0  # 为不同类别设置不同权重

我在实际项目中发现，工业场景下适当增加HSV增强参数（hsv_s=0.8, hsv_v=0.6）能显著提升模型对光照变化的鲁棒性。另外，当类别数超过20个时，建议将初始学习率（--lr0）降低到0.001以避免震荡。