简介：本资源为YOLOv5-6.0行人检测训练权重与配套数据集，面向从事街道、公路场景行人检测的算法工程师、学生及研究者，帮助快速获得可直接推理或继续微调的模型，省去从零训练的时间成本。压缩包共约2000个文件，整体378.52MB，以jpg图像与txt标注为主，另含yaml配置、py训练脚本、pt权重及少量xml、md说明文件，覆盖数据、代码与权重三类内容。资源包含3000张多行人图像，标签同时提供VOC与YOLO两种格式，并附有训练曲线图，模型基于一万多条数据训练，准确率达90%以上，类别为person。已有6309人学习下载，读者可据此复现训练流程、验证检测效果，或直接替换自有数据继续迭代，适合作为行人检测项目的起点与对照基准。
1. 街道行人检测的现成权重：拿到就能跑，但别急着高兴
做街道或公路行人检测的兄弟多半有过这种经历：自己从零训一个 YOLOv5，数据集标注、类别平衡、anchor 聚类、训练调参一路折腾下来，mAP 卡在 0.7 上不去，显存和时间倒是烧了不少。这份yolov5-6.0-person_detect.zip就是冲着这个痛点来的——它直接给了一份在 1 万多张数据上训好的行人检测权重，单类person，宣称准确率 90% 以上，还附带 3000 张多行人数据，标签同时给了 VOC 和 YOLO 两种格式。换句话说，你拿到的不只是权重，还有一份能继续微调、能验证、能换场景再训的数据底子。
它适合谁？一是想快速搭行人检测 demo、做算法验证或课程设计的同学，省掉从零标注的苦；二是已经有业务场景（比如路口监控、园区人流统计），想拿现成权重做 baseline，再决定要不要自己补数据微调的人。但我要先把丑话说前面：现成权重不是万能药，它的 90% 是在特定数据分布上测出来的，换到你的摄像头、你的光照、你的拍摄角度，掉点很正常。这篇就按「这是什么 → 怎么跑起来 → 怎么微调 → 坑在哪」的顺序，把它拆开讲透。
2. 权重与数据集拆包：先看清目录结构和标签格式
2.1 压缩包里到底装了什么
解压后你会看到典型的 YOLOv5-6.0 工程结构，外加权重和数据。README、CONTRIBUTING、bug-report、feature-request、question 这些是官方仓库自带的文档模板，真正干活的是train.py、datasets.py、general.py这几个脚本。权重文件一般是best.pt或last.pt，数据集则分 images 和 labels 两个目录。先别急着跑，第一步是把结构摸清楚，否则后面路径对不上，报错能让你怀疑人生。
| 文件/目录 | 作用 | 使用注意 |
|---|---|---|
train.py | 训练与微调入口 | 改--data、--weights、--cfg |
datasets.py | 数据加载与增强 | 标签路径、缓存逻辑在这里 |
general.py | 通用工具函数 | NMS、坐标转换等 |
best.pt/last.pt | 训练好的权重 | 推理直接用，微调做起点 |
images/labels/ | 3000 张图与标签 | 确认标签格式与目录对应 |
2.2 VOC 与 YOLO 两种标签格式的差别
这份资源同时给了 VOC 和 YOLO 两种标签，这是它比较贴心的地方，但也最容易让人翻车。VOC 是 XML，一个图一个文件，坐标是绝对像素值xmin, ymin, xmax, ymax；YOLO 是 txt，每行class cx cy w h，全部归一化到 0~1。YOLOv5 训练只认 YOLO 格式，所以如果你手上是 VOC，必须先转。很多人直接把 VOC 的 XML 丢进 labels 目录，训练时 loss 不降反升，就是因为格式没对上。
# VOC XML 转 YOLO txt 的核心逻辑 import xml.etree.ElementTree as ET import os def voc_to_yolo(xml_path, img_w, img_h, out_path): tree = ET.parse(xml_path) root = tree.getroot() lines = [] for obj in root.iter('object'): cls_name = obj.find('name').text # 单类 person，类别 id 固定为 0 cls_id = 0 bbox = obj.find('bndbox') xmin = float(bbox.find('xmin').text) ymin = float(bbox.find('ymin').text) xmax = float(bbox.find('xmax').text) ymax = float(bbox.find('ymax').text) # 归一化并转为中心点 + 宽高 cx = (xmin + xmax) / 2.0 / img_w cy = (ymin + ymax) / 2.0 / img_h w = (xmax - xmin) / img_w h = (ymax - ymin) / img_h lines.append(f"{cls_id} {cx:.6f} {cy:.6f} {w:.6f} {h:.6f}") with open(out_path, 'w') as f: f.write('\n'.join(lines))这段代码的关键点有三个：一是cls_id固定为 0，因为这份权重是单类 person，多类场景要按你的data.yaml顺序改；二是归一化必须用图片真实宽高，img_w、img_h要从对应图片读，不能写死；三是坐标要转成中心点加宽高，YOLO 不认角点坐标。转换完记得抽查几张，用可视化脚本画框确认，别信脚本跑完没报错就万事大吉。
2.3 环境依赖与版本对齐
YOLOv5-6.0 对版本比较敏感，尤其是 PyTorch 和 torchvision。常见做法是建一个干净虚拟环境，按官方 requirements 装。如果你用太新的 PyTorch，某些算子行为变了，推理结果可能对不上。我一般会先确认 CUDA 版本，再选对应的 torch 轮子。
# 建环境并安装依赖（示例，按自己 CUDA 版本调整） conda create -n person_detect python=3.8 -y conda activate person_detect pip install torch==1.10.0 torchvision==0.11.0 --extra-index-url https://download.pytorch.org/whl/cu113 pip install -r requirements.txt参数说明：python=3.8是 6.0 版本比较稳的搭配；torch 1.10 对应 cu113，如果你显卡驱动只支持 cu111，就换对应轮子。装完先跑python detect.py --weights best.pt --source 你的测试图，能出框再谈训练。这一步是分水岭，环境没对齐，后面全是玄学报错。
3. 用现成权重跑推理：detect.py 参数怎么设才不翻车
3.1 最小可跑命令与参数含义
拿到权重第一件事是验证它到底能不能用。别一上来就接摄像头，先用几张静态图跑通。detect.py是推理入口，核心参数就那么几个，但每个都影响结果。
python detect.py \ --weights best.pt \ --source ./test_images \ --img-size 640 \ --conf-thres 0.25 \ --iou-thres 0.45 \ --device 0 \ --save-txt逐项说明：--weights指向权重文件；--source可以是单图、目录、视频或0（摄像头）；--img-size 640是推理分辨率，权重训练时用的多少，这里最好对齐，否则小目标漏检明显；--conf-thres 0.25是置信度阈值，行人检测场景我一般从 0.25 起调，太低误检多，太高漏检多；--iou-thres 0.45控制 NMS 合并，人群密集时这个值要谨慎，调太低会把挨着的人合并成一个框；--device 0指定 GPU，没 GPU 写cpu；--save-txt会把检测结果存成 YOLO 格式 txt，方便你后续做统计或二次处理。
3.2 置信度与 NMS 阈值对行人检测的实际影响
这两个阈值是行人检测里最需要动手调的地方，没有之一。街道场景里，远处行人像素少，置信度天然偏低；人群密集时，NMS 的 IoU 阈值直接决定你会不会把三个人检成一个人。我的血泪经验是：先固定iou-thres=0.45，把conf-thres从 0.5 往下扫，看漏检和误检的平衡点；再固定conf-thres，把iou-thres在 0.3~0.6 之间试，观察密集人群的框合并情况。
# 批量扫阈值，统计不同 conf 下的检测框数量 import subprocess for conf in [0.15, 0.25, 0.35, 0.45, 0.55]: cmd = f"python detect.py --weights best.pt --source ./test_images " \ f"--conf-thres {conf} --iou-thres 0.45 --save-txt --project runs/conf_{conf}" subprocess.run(cmd, shell=True) print(f"conf={conf} done")跑完对比runs/conf_*下的结果，挑一个漏检和误检都能接受的。注意--project参数把不同阈值的结果分目录存，不然会互相覆盖，这是很多人第一次跑就踩的坑。参数没有标准答案，取决于你的场景更怕漏检还是更怕误检——安防场景通常宁可误检不可漏检，那就把 conf 调低。
3.3 推理结果的可视化与验证
跑完推理，runs/detect/exp下会有带框的图。别只看一两张就下结论，要覆盖不同光照、不同密度、不同距离的样本。我一般会挑三类图重点看：远景小目标、密集人群、遮挡严重（比如树荫、车辆遮挡）的。这三类最能暴露权重在你场景下的真实水平。如果远景漏检严重，说明--img-size可能偏小，可以试 1280，但速度会掉；如果密集人群合并严重，回去调iou-thres。
提示：验证时把
--save-txt打开，txt 里的框坐标可以拿去和你的标注做对比，算个简单的召回率，比肉眼看靠谱。
4. 微调自己的数据：从 3000 张底子到你的场景
4.1 为什么要微调而不是从零训
现成权重是在 1 万多张通用街道数据上训的，你的场景如果和它分布接近，直接推理可能就够用。但如果你做的是园区、校园、特定摄像头角度，分布差异大，微调能明显提点。微调的本质是拿预训练权重当起点，用你的数据继续训，学习率调小，让模型在你的分布上做适配，而不是把学到的通用特征全推翻。从零训需要大量数据和算力，微调几百到几千张就能见效，这是性价比最高的路子。
4.2 data.yaml 配置与目录组织
微调前先把数据组织成 YOLOv5 认的结构，并写一个data.yaml。这份资源给的 3000 张数据可以直接当底子，再混入你自己的图。
# data.yaml path: ./person_data train: images/train val: images/val nc: 1 names: ['person']参数说明：path是数据集根目录；train、val是相对路径，分别指向训练和验证的图片目录，YOLOv5 会自动去找同级的labels目录；nc: 1是类别数，单类 person 就写 1；names顺序必须和标签里的 class id 对应，写错会导致类别全乱。目录结构建议images/train、images/val、labels/train、labels/val四件套，图片和标签文件名一一对应，差一个都会在加载时报错。
4.3 微调命令与关键超参数
微调命令和训练一样，只是--weights指向现成权重，学习率调小。
python train.py \ --weights best.pt \ --data data.yaml \ --cfg models/yolov5s.yaml \ --epochs 50 \ --batch-size 16 \ --img-size 640 \ --lr0 0.001 \ --freeze 10 \ --cache逐项说明：--weights best.pt是微调起点；--cfg必须和权重对应的模型结构一致，权重是 yolov5s 就写 yolov5s，写错会加载失败；--epochs 50微调不用太多，通常 30~100 够；--batch-size 16按显存调，爆显存就减；--lr0 0.001比从零训的 0.01 小一个量级，避免把预训练特征冲掉；--freeze 10冻结前 10 层 backbone，小数据微调常用，数据多可以不冻；--cache把图缓存到内存加速，数据大且内存不够就别加。跑起来后盯mAP@0.5和mAP@0.5:0.95两条曲线，验证集不涨甚至掉，就说明学习率太大或数据有问题。
4.4 训练曲线怎么读
资源里附了各种训练曲线图，这是判断训练好坏的直接依据。重点看三条：train/box_loss和val/box_loss是否同步下降，如果 train 降 val 不降，过拟合了；metrics/mAP_0.5是否稳定上升后收敛；lr曲线是否符合预期调度。常见问题是 val loss 早早反弹，多半是数据量不够或增强太猛。我一般会在--hyp里调低 mosaic 增强概率，小数据集上 mosaic 太强反而拖后腿。
5. 避坑与排查：这几处翻车我替你踩过了
5.1 现象：推理框全错位或框到背景
原因：标签格式没转对，VOC 的绝对坐标被当成 YOLO 归一化坐标用了，或者图片和标签文件名不匹配导致错配。解决：确认 labels 目录下全是 txt 且每行是class cx cy w h归一化格式；写个脚本抽查图片和标签是否一一对应，坐标乘回宽高画框验证。
5.2 现象：训练 loss 为 nan 或直接崩
原因：学习率太大、标签里有非法值（坐标超过 1 或为负）、图片损坏。解决：先把--lr0降到 0.001 以下试；用脚本扫一遍标签，过滤掉坐标越界的行；确认没有 0 字节图片。这类问题在混入自己数据后特别常见，标注工具导出格式不统一是重灾区。
5.3 现象：显存爆了，batch 调到 1 还爆
原因：--img-size太大，或--cache把整个数据集塞内存，或模型 cfg 和权重不匹配导致结构异常。解决：先把 img-size 降到 640 甚至 416；去掉--cache；核对--cfg和权重是否同一规模（s/m/l）。如果还爆，用nvidia-smi看是不是别的进程占着显存没释放。
5.4 现象：密集人群检测框大量合并
原因：NMS 的iou-thres设太低，把相邻行人当成同一目标合并了。解决：把iou-thres往上调到 0.5~0.6，同时适当降低conf-thres保留更多候选框。如果还不行，考虑换用 soft-NMS，但 YOLOv5 默认没带，要自己改general.py里的 NMS 逻辑。
5.5 现象：换到自己摄像头后准确率暴跌
原因：域偏移。现成权重的训练分布和你的场景差异大，光照、角度、分辨率都变了。解决：别指望直接推理，老老实实采几百张你场景的图，标注后微调。微调时把现成权重当起点，学习率调小，通常几十个 epoch 就能拉回来。
6. 进阶技巧：把权重用到边缘设备和量化部署上
现成权重跑通只是第一步，真落地往往要上边缘设备。最近问得多的就是 yolov5 量化部署到 RK3568 或树莓派 4B 这类板子。核心思路是先把 PyTorch 权重导出成 ONNX，再转成目标平台支持的格式。导出 ONNX 时注意 opset 版本和输入尺寸要固定，动态轴在部分推理引擎上支持不好。
# 导出 ONNX，固定输入尺寸便于后续量化 python export.py --weights best.pt --include onnx --img-size 640 640 --opset 12 --simplify参数说明：--include onnx指定导出格式；--img-size 640 640固定宽高，边缘设备上动态尺寸往往不支持；--opset 12是兼容性较好的版本，太低缺算子，太高部分工具链不认；--simplify用 onnx-simplifier 精简计算图，能减少转换时的算子兼容问题。导出后用onnxruntime跑一遍，确认输出和 PyTorch 一致，再往 RKNN 或 NCNN 转。量化环节最容易掉点的是 INT8 校准，校准集一定要用你真实场景的图，别拿训练集随便凑，否则量化后小目标检测会明显变差。
验证量化模型时，我习惯拿同一批测试图，分别跑 PyTorch 和量化后的模型，逐张对比框数量和位置，差异超过 10% 就回去查校准集和量化配置。边缘设备上还要关注后处理耗时，NMS 在 CPU 上可能比推理还慢，必要时把 NMS 也放到 NPU 或做并行优化。从那以后我每次导出模型，都强制走一遍「PyTorch 输出 vs 导出后输出」的逐元素对比，确认误差在可接受范围才敢往设备上烧。这套流程看着繁琐，但能帮你省下大量在板子上反复调试的时间。希望帮到你。
本文还有配套的精品资源，点击获取
