YOLOv5不是手把手教官方Ultralytics团队维护的版本，但它在GitHub上拿了二十几k的手把手教star。这事挺魔幻的手把手教——大家用着顺手，也就不管是手把手教不是亲生的了。你要是手把手教想跑通目标检测，这玩意儿确实是手把手教最省心的选择。

先装环境。手把手教Python 3.8以上，手把手教PyTorch 1.8+，手把手教然后git clone https://github.com/ultralytics/yolov5，手把手教进目录跑pip install -r requirements.txt。手把手教别用conda硬刚，手把手教容易出幺蛾子。手把手教我见过有人在这步卡了一下午，手把手教最后发现是手把手教numpy版本冲突——直接删了重装就好。

推理测试，拿官方权重试试手。命令行敲：

python detect.py --source data/images/bus.jpg --weights yolov5s.pt

第一次运行会自动下载权重文件，80MB左右，网速慢就抽根烟等会儿。跑完在runs/detect/exp里能看到标注好的图，框得还挺准。这里有个坑：如果你用的是CPU版PyTorch，速度会慢得让人怀疑人生，建议有显卡就上GPU版，哪怕是个1050Ti都比纯CPU强十倍。

训练自己的数据集才是重头戏。先准备数据——用LabelImg或者labelme标注，格式要转成YOLO的txt格式，每行是class_id x_center y_center width height，坐标都是归一化后的比例值。没有现成数据集的话，去Roboflow上找，它可以直接导出YOLOv5格式，省得自己写转换脚本。

目录结构得按官方要求摆：

datasets/ mydata/ images/ train/ val/ labels/ train/ val/ data.yaml

data.yaml里写清楚类别数和类别名，路径用绝对路径最稳妥——相对路径在Windows上经常因为反斜杠问题报错。

训练命令长这样：

python train.py --data datasets/mydata/data.yaml --weights yolov5s.pt --epochs 100 --batch-size 16

这里有个细节：--weights参数用预训练权重做迁移学习，收敛快得多。你要是从零开始训，效果差且时间翻倍，除非你的数据集特别特殊，否则别这么做。

训练时盯着终端看loss曲线。我自己的经验是，前10个epoch loss下降很快，后面就磨磨蹭蹭。到第50个epoch左右，如果val精度还在涨，就让它跑完；如果已经平台期了，直接Ctrl+C，用--epochs 50重来也不亏。

训完的模型在runs/train/exp/weights/里，有best.pt和last.pt。用best.pt去测测试集，别手滑用了last——那货通常是过拟合的。

部署的时候，转成ONNX或者TensorRT能提速不少。YOLOv5官方仓库提供了export.py脚本：

python export.py --weights best.pt --include onnx

在Jetson Nano上，TensorRT比PyTorch直接跑快三倍，但配置过程略折腾，需要装一堆CUDA库。你要是只做demo，ONNX就够了，OpenCV的DNN模块能直接加载。

最后说点实在的：YOLOv5的调参空间不大，重点在数据质量。我试过把训练集里模糊的图片全删掉，mAP直接涨了4个点。别迷信网络结构改动，先把数据洗干净比什么都强。另外，小目标检测是它的弱项，如果你要检测远处的小物体，考虑把输入分辨率从640调到1280，代价是显存占用翻倍——看你显卡扛不扛得住。

跑通一遍流程后，你会觉得这东西其实挺无脑的。但正是这种无脑，让YOLOv5成了工业界的默认选项。毕竟在大多数场景下，稳定可复现比花哨的技巧更值钱。

(责任编辑：知识)