第4章：YOLO系列与目标检测实战：YOLOv5/v8原理讲解，模型训练与部署到边缘设备

目标检测这块，YOLO系列绝对是绕不开的坎。我入行那会儿还是YOLOv3称霸，现在v5和v8已经成了工业界的主流选择。说实话，v5和v8虽然名字像，但骨子里差别不小。今天咱们就掰开揉碎，把原理讲透，再带你把模型训出来、部署到边缘设备上。

4.1 YOLOv5：经典中的经典

YOLOv5刚出来的时候，很多人质疑它是不是蹭热度。但用过的都知道，这玩意儿是真的稳。我个人习惯把它当作目标检测的“基准线”——新项目先拿v5跑一遍，心里就有底了。

4.1.1 网络结构：CSPDarknet + PANet

v5的主干网络用的是CSPDarknet。说白了，就是把残差块和CSP结构结合了一下。CSP（Cross Stage Partial）的核心思想是：把特征图分成两部分，一部分正常卷积，另一部分直接拼过来。这样做的好处是——计算量降了，梯度信息还能更好地流动。

颈部网络用的是PANet（路径聚合网络）。它跟FPN的区别在于：FPN是自顶向下传语义，PANet再加一条自底向上的路径传位置信息。说白了，就是让大目标和小目标都能被照顾到。

4.1.2 损失函数：CIoU + 分类损失

v5的边界框回归损失用的是CIoU Loss。它比原始的IoU多了两个惩罚项：中心点距离和宽高比一致性。我在项目中遇到过一个问题：用GIoU训练时，某些长条形目标的框总是偏大。换成CIoU后，这个问题就解决了。

# CIoU Loss 核心计算逻辑
def ciou_loss(pred, target):
    # pred, target: [x, y, w, h]
    iou = bbox_iou(pred, target)
    center_dist = (pred[:, :2] - target[:, :2]).pow(2).sum(dim=1)
    enclose_diag = (enclose_w.pow(2) + enclose_h.pow(2))
    v = (4 / (torch.pi ** 2)) * (torch.atan(target_w/target_h) - torch.atan(pred_w/pred_h)).pow(2)
    alpha = v / (1 - iou + v)
    return 1 - iou + center_dist / enclose_diag + alpha * v

4.2 YOLOv8：v5的全面进化

v8是Ultralytics在2023年推出的。说实话，第一次看到v8的架构图，我第一反应是：“这不就是v5改改吗？”但仔细研究后发现，改动的地方都很关键。

4.2.1 核心改进点

改进项	v5的做法	v8的做法	我的评价
主干网络	CSPDarknet	C2f模块（更密集的跨层连接）	梯度流动更顺畅了
检测头	耦合头（分类+回归一起）	解耦头（分类和回归分开）	收敛更快，精度更高
Anchor策略	预设Anchor	Anchor-Free	省了调Anchor的麻烦
损失函数	CIoU + BCE	DFL + VFL	对小目标更友好

你想想看，v8把检测头拆成两个独立的分支，分类和回归各干各的。这样做的好处是——两个任务的优化目标不同，硬绑在一起反而互相干扰。我曾经在v5上试过解耦头，精度确实涨了1-2个点。

4.2.2 DFL损失：让框更准

DFL（Distribution Focal Loss）是v8的一个亮点。它把边界框的回归问题变成了一个分布估计问题。说白了，就是不再直接预测框的位置，而是预测框位置的概率分布。

4.3 模型训练：从数据到权重

训练这部分，我踩过的坑比走过的路还多。下面直接给出一套我验证过的流程。

4.3.1 数据准备

数据集格式推荐用YOLO格式：每张图片对应一个txt文件，每行是“类别 x_center y_center width height”，坐标归一化到0-1。

# 数据集目录结构
dataset/
├── images/
│   ├── train/
│   └── val/
├── labels/
│   ├── train/
│   └── val/
└── data.yaml  # 配置文件

data.yaml的内容很简单：

train: ./images/train
val: ./images/val
nc: 2  # 类别数
names: ['car', 'pedestrian']

4.3.2 训练配置

我个人习惯用以下配置作为起点：

• 输入尺寸：640x640（边缘设备建议用320或416）
• Batch size：能多大就多大，但边缘设备训练时建议8-16
• 学习率：0.01，配合余弦退火调度
• Epochs：300，但早停法（patience=50）
• 数据增强：Mosaic + MixUp + HSV抖动

4.3.3 训练命令

# YOLOv5
python train.py --data data.yaml --weights yolov5s.pt --batch-size 16 --epochs 300

# YOLOv8
yolo train model=yolov8s.pt data=data.yaml batch=16 epochs=300

训练过程中，重点关注三个指标：mAP@0.5、mAP@0.5:0.95、以及loss曲线。如果loss降不下去，先检查数据标注有没有问题。我遇到过好几次，训练半天loss不降，最后发现是标注框的坐标反了。

4.4 部署到边缘设备

边缘设备上跑模型，说白了就是“戴着镣铐跳舞”。算力有限，内存有限，还得保证实时性。

4.4.1 模型转换

最常用的部署格式是ONNX和TensorRT。以TensorRT为例：

# 导出ONNX
python export.py --weights best.pt --include onnx

# 转TensorRT（需要NVIDIA显卡）
trtexec --onnx=best.onnx --saveEngine=best.trt --fp16

这里要注意，FP16精度下，某些模型精度会掉1-2个点。如果任务对精度要求极高，可以考虑INT8量化，但需要校准数据集。

4.4.2 边缘设备选型

设备	算力	功耗	适合场景
Jetson Nano	472 GFLOPS	10W	入门级，适合v5n/v8n
Jetson Orin NX	70 TOPS	15W	主流选择，v5s/v8s流畅
RK3588	6 TOPS (NPU)	8W	国产方案，性价比高

我个人推荐Jetson Orin NX，性价比最高。如果预算有限，RK3588的NPU跑YOLOv5s也能到30fps以上。

4.4.3 推理优化技巧

• 输入尺寸裁剪：640x640降到416x416，速度能翻倍，精度只掉1-2个点
• Batch推理：边缘设备上batch=1最快，别想着用大batch
• 异步处理：用双缓冲机制，一个线程采集图像，一个线程推理
• 后处理优化：NMS用CUDA实现，别用CPU跑

4.5 本章知识体系

下面这张图把YOLO系列的核心逻辑串起来了。从数据到训练，再到部署，每一步都有坑，但也都有解法。

YOLOv5和v8的选择，说白了就是看你的场景。如果追求稳定、社区资源多，选v5准没错。如果追求极致精度、愿意折腾新特性，v8值得一试。我个人两个都在用——老项目用v5维护，新项目直接上v8。