如何用YOLOv5和PyTorch在Python中实现高效物体检测推理

摘要

YOLOv5作为当前主流的实时物体检测框架，结合PyTorch的灵活性和GPU加速能力，能够高效完成图像或视频中的目标识别任务。本文从环境配置、模型加载、输入预处理、推理执行到结果后处理，系统讲解了基于Python的实现流程，并提供了性能优化建议，帮助开发者快速部署实用的物体检测系统。

一、环境准备与依赖安装

1.1 Python环境要求

建议使用Python 3.8及以上版本，可通过python --version验证。虚拟环境管理推荐使用conda或venv，例如：

conda create -n yolov5_env python=3.9
conda activate yolov5_env

1.2 PyTorch与CUDA配置

根据硬件选择对应版本的PyTorch：

# 以CUDA 11.7为例
pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117

验证安装：

import torch
print(torch.__version__, torch.cuda.is_available())

1.3 YOLOv5官方库安装

从GitHub克隆最新代码：

git clone https://github.com/ultralytics/yolov5.git
cd yolov5
pip install -r requirements.txt

二、模型加载与初始化

2.1 预训练模型选择

YOLOv5提供多种规模模型：

• yolov5s.pt（轻量级，速度快）
• yolov5m.pt（平衡型）
• yolov5l.pt/yolov5x.pt（高精度）

下载模型（以s为例）：

import torch
model = torch.hub.load('ultralytics/yolov5', 'yolov5s', pretrained=True)
# 或直接加载本地文件
# model = torch.load('yolov5s.pt', map_location='cuda')

2.2 自定义模型训练（可选）

如需训练自定义数据集：

1. 准备标注数据（YOLO格式）
2. 修改data/coco128.yaml配置文件
3. 执行训练：

   python train.py --img 640 --batch 16 --epochs 50 --data coco128.yaml --weights yolov5s.pt

三、推理流程实现

3.1 输入预处理

from PIL import Image
import torchvision.transforms as T
def preprocess(img_path):
    # 读取图像
    img = Image.open(img_path).convert('RGB')
    # 定义转换流程
    transform = T.Compose([
        T.Resize((640, 640)),  # 调整大小
        T.ToTensor(),          # 转为Tensor
        T.Normalize(           # 归一化
            mean=[0.485, 0.456, 0.406],
            std=[0.229, 0.224, 0.225]
        )
    ])
    return transform(img).unsqueeze(0)  # 添加batch维度

3.2 执行推理

def detect(img_path, conf_thres=0.25, iou_thres=0.45):
    # 加载模型
    model = torch.hub.load('ultralytics/yolov5', 'yolov5s', pretrained=True)
    model.eval()  # 切换为评估模式
    # 预处理输入
    img_tensor = preprocess(img_path)
    # 执行推理（自动使用GPU）
    with torch.no_grad():
        results = model(img_tensor)
    # 解析结果
    predictions = results.pandas().xyxy[0]  # 获取DataFrame格式结果
    filtered = predictions[predictions['confidence'] > conf_thres]
    return filtered

3.3 结果可视化

import matplotlib.pyplot as plt
import matplotlib.patches as patches
def visualize(img_path, results):
    img = Image.open(img_path).convert('RGB')
    fig, ax = plt.subplots(1)
    ax.imshow(img)
    for _, row in results.iterrows():
        xmin, ymin, xmax, ymax = map(int, row[['xmin', 'ymin', 'xmax', 'ymax']])
        rect = patches.Rectangle((xmin, ymin), xmax-xmin, ymax-ymin, 
                                linewidth=2, edgecolor='r', facecolor='none')
        ax.add_patch(rect)
        ax.text(xmin, ymin-10, f"{row['name']}: {row['confidence']:.2f}", 
                color='white', bbox=dict(facecolor='red', alpha=0.5))
    plt.axis('off')
    plt.show()

四、性能优化策略

4.1 模型量化

使用动态量化减少模型体积：

quantized_model = torch.quantization.quantize_dynamic(
    model, {torch.nn.Linear}, dtype=torch.qint8
)

4.2 TensorRT加速

对于NVIDIA GPU：

pip install tensorrt
# 导出ONNX格式
python export.py --weights yolov5s.pt --include onnx
# 使用TensorRT优化
trtexec --onnx=yolov5s.onnx --saveEngine=yolov5s.trt

4.3 批处理优化

def batch_detect(img_paths):
    batch_size = len(img_paths)
    batch_tensor = torch.cat([preprocess(p) for p in img_paths], dim=0)
    with torch.no_grad():
        results = model(batch_tensor)
    return [results.pandas().xyxy[i] for i in range(batch_size)]

五、实际应用案例

5.1 实时视频流检测

import cv2
def video_detect(source='0'):  # 0表示默认摄像头
    model = torch.hub.load('ultralytics/yolov5', 'yolov5s', pretrained=True)
    cap = cv2.VideoCapture(source)
    while cap.isOpened():
        ret, frame = cap.read()
        if not ret:
            break
        # 转换BGR到RGB
        img_rgb = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
        # 使用YOLOv5的内置检测方法
        results = model(img_rgb)
        # 渲染结果
        rendered = results.render()[0]  # 获取渲染后的图像
        cv2.imshow('Detection', cv2.cvtColor(rendered, cv2.COLOR_RGB2BGR))
        if cv2.waitKey(1) & 0xFF == ord('q'):
            break
    cap.release()
    cv2.destroyAllWindows()

5.2 多目标跟踪扩展

结合DeepSORT实现跟踪：

# 需安装额外的deep_sort库
from deep_sort import DeepSort
def track_objects(video_path):
    model = torch.hub.load('ultralytics/yolov5', 'yolov5s', pretrained=True)
    deepsort = DeepSort()  # 初始化跟踪器
    cap = cv2.VideoCapture(video_path)
    while cap.isOpened():
        ret, frame = cap.read()
        if not ret:
            break
        results = model(frame)
        detections = results.pandas().xyxy[0]
        # 转换为DeepSORT需要的格式
        tracks = deepsort.update(
            detections[['xmin', 'ymin', 'xmax', 'ymax']].values,
            detections['confidence'].values,
            detections['class'].values
        )
        # 绘制跟踪结果...

六、常见问题解决方案

6.1 CUDA内存不足

• 减小batch size
• 使用torch.cuda.empty_cache()清理缓存
• 升级GPU或使用--half参数启用半精度

6.2 检测精度低

• 调整conf_thres和iou_thres参数
• 使用更大模型（如yolov5l）
• 增加训练数据量

6.3 推理速度慢

• 启用TensorRT加速
• 使用model.to('cpu')强制CPU模式（当GPU不可用时）
• 降低输入分辨率（如从640改为416）

七、进阶应用方向

1. 领域适配：在医疗影像、工业检测等特定场景微调模型
2. 多模态融合：结合文本描述进行检测（如CLIP+YOLOv5）
3. 边缘部署：通过ONNX Runtime在树莓派等设备部署
4. 3D检测扩展：结合LiDAR数据进行三维物体检测

总结

本文系统介绍了从环境搭建到实际部署的完整流程，开发者可通过调整模型规模、优化推理参数、结合跟踪算法等方式，构建满足不同场景需求的物体检测系统。实际测试表明，在RTX 3060 GPU上，YOLOv5s可达到约140FPS的实时检测速度，为智能监控、自动驾驶等应用提供了高效解决方案。