YOLO-v5入门必看：Jupyter环境下目标检测代码实例详解

1. 技术背景与学习目标

YOLO（You Only Look Once）是一种流行的物体检测和图像分割模型，由华盛顿大学的Joseph Redmon 和Ali Farhadi 开发。 YOLO 于2015 年推出，因其高速和高精度而广受欢迎。经过多个版本迭代，YOLOv5在保持实时性的同时进一步提升了检测精度和易用性，成为工业界和学术界广泛应用的目标检测方案之一。

本文面向初学者，旨在通过一个完整的Jupyter Notebook示例，帮助读者快速掌握如何在预配置的YOLOv5镜像环境中进行目标检测任务。我们将从环境介绍、工具使用到实际代码运行，逐步讲解关键步骤，并提供可复现的代码实例。

学习完本教程后，您将能够：

• 理解YOLOv5的基本工作流程
• 掌握Jupyter环境下加载YOLOv5模型的方法
• 实现图像目标检测并处理输出结果
• 熟悉常见操作如结果显示、保存与裁剪

2. YOLO-V5 镜像环境概述

2.1 镜像简介

该镜像基于YOLOv5算法构建，集成了完整的计算机视觉开发环境。预装了以下核心组件：

• PyTorch 1.13+：主流深度学习框架，支持GPU加速
• Ultralytics YOLOv5 官方仓库：包含所有预训练模型和工具脚本
• OpenCV、Pillow、NumPy：常用图像处理库
• Jupyter Notebook：交互式编程界面，便于调试与演示

此镜像极大简化了环境配置过程，用户无需手动安装依赖即可直接开始目标检测任务。

2.2 使用方式概览

镜像支持两种主要访问方式：Jupyter Notebook 和 SSH 远程连接。

Jupyter Notebook 使用方式

推荐用于快速实验和教学场景。启动实例后，可通过浏览器访问Jupyter界面，创建或打开.ipynb文件进行交互式编码。

登录成功后进入主目录界面，可查看预置的yolov5项目文件夹。

SSH 使用方式

适用于需要长期运行任务或集成到CI/CD流程中的高级用户。

通过SSH连接后，可在终端中执行批处理脚本或后台服务。

3. 在Jupyter中运行YOLOv5检测示例

3.1 准备工作

首先确保已进入正确的项目路径。在Jupyter Notebook单元格中执行以下命令切换至YOLOv5根目录：

cd /root/yolov5/

注意：若未找到该目录，请确认镜像是否正确加载或重新拉取最新版本。

3.2 加载预训练模型

YOLOv5提供了多个规模的模型以适应不同硬件条件和性能需求：

我们选择最常用的yolov5s模型作为示例：

import torch # Load a YOLOv5 model (options: yolov5n, yolov5s, yolov5m, yolov5l, yolov5x) model = torch.hub.load("ultralytics/yolov5", "yolov5s") # Default: yolov5s

首次运行时会自动下载模型权重（约14MB），后续调用将直接从本地缓存加载。

3.3 输入数据准备

YOLOv5支持多种输入格式，包括：

• 图像URL（远程）
• 本地文件路径
• PIL图像对象
• OpenCV帧（numpy array）
• 批量图像列表

本例使用官方提供的测试图像链接：

img = "https://ultralytics.com/images/zidane.jpg" # Example image

该图像包含人物、球衣号码等丰富语义信息，适合展示多类别检测能力。

3.4 执行推理

调用模型即可完成端到端推理。YOLOv5内部自动处理图像预处理（归一化、缩放、填充）和后处理（NMS非极大值抑制）：

# Perform inference (handles batching, resizing, normalization automatically) results = model(img)

返回的results对象封装了检测框坐标、置信度分数、类别标签等完整信息。

3.5 结果处理与可视化

YOLOv5提供了丰富的结果操作接口，便于后续分析与应用。

打印检测结果

results.print()

输出示例：

zidane.jpg: 2 persons, 1 tie, 1 sports ball, Done. (0.012s)

显示每类物体的数量及其检测耗时。

显示检测图像

results.show()

弹出窗口展示带标注框的图像，颜色区分不同类别，文本标注类别名与置信度。

保存检测结果

results.save()

将结果图像保存至runs/detect/exp/目录下。若存在同名文件夹，则自动生成exp2,exp3等递增命名。

裁剪检测区域

提取特定目标区域用于下游任务（如分类、OCR）：

cropped_images = results.crop(save=True)

每个检测框对应的区域将被单独裁剪并保存。

4. 常见问题与优化建议

4.1 常见问题解答

Q1：为什么第一次运行很慢？
A：首次加载模型需从GitHub下载权重文件，建议在网络稳定环境下运行一次后断网使用本地缓存。

Q2：如何使用本地图片？
A：只需将图像上传至Jupyter文件系统，并传入相对路径即可：

img = "./data/images/test.jpg" results = model(img)

Q3：能否批量处理多张图像？
A：可以，传入图像路径列表即可实现批量推理：

imgs = ["img1.jpg", "img2.jpg", "https://example.com/img3.jpg"] results = model(imgs)

4.2 性能优化建议

• 启用GPU加速：确保CUDA可用，模型默认会使用GPU（如果可用）

print(torch.cuda.is_available()) # 应返回 True

• 调整图像尺寸：对于小目标较多的场景，可增大输入分辨率提升召回率：

model = torch.hub.load("ultralytics/yolov5", "yolov5s", _verbose=False) model.imgsz = 640 # 默认为640，可设为1280提升精度

• 设置置信度阈值：过滤低质量预测：

model.conf = 0.5 # 默认0.25 results = model(img)

5. 总结

本文详细介绍了如何在预配置的YOLOv5镜像环境中，利用Jupyter Notebook快速实现目标检测任务。主要内容包括：

1. 环境理解：掌握了YOLOv5镜像的核心组成与访问方式；
2. 模型加载：学会了使用torch.hub.load加载不同规模的预训练模型；
3. 推理执行：实现了从单一图像到批量输入的完整推理流程；
4. 结果处理：熟练运用.print(),.show(),.save(),.crop()等方法进行结果解析；
5. 实践优化：了解了常见问题解决方案与性能调优技巧。

通过本教程，您已经具备了在真实项目中集成YOLOv5的基础能力。下一步可尝试：

• 训练自定义数据集
• 导出ONNX模型用于生产部署
• 集成至Web或移动端应用

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。