简介：这是一套面向计算机视觉初学者与算法开发者的YOLOv5目标检测实战资源，聚焦人物与动物识别场景，可用于视频监控、图像分析等方向的快速验证与二次开发。压缩包共64个文件，约20.2MB，以24个Python脚本为核心，涵盖模型定义、训练、推理与评估流程，另含14个pyc编译文件、10个txt标签与配置、5个xml标注、3个md说明文档，以及pth权重、jpg/png效果图、ttf字体等辅助文件，目录结构清晰，便于按模块查阅。资源围绕YOLOv5架构、数据集构建、模型训练、源码解析、部署与mAP等评估指标展开，配有可直接运行的代码与数据，读者能借此理解单阶段检测的边界框与类别预测逻辑，掌握数据增强、超参数配置、权重保存加载及常见问题排查思路。目前已有2872人学习下载，适合希望从零跑通人物动物识别项目、积累工程经验的学习者参考。
1. 基于 YOLOv5 的人物动物识别：一套能直接跑通的检测方案长什么样
你手头可能有一批监控截图、红外相机回传的图片，或者只是想快速验证一个想法：能不能让模型自动把画面里的人、猫、狗、鸟、马这些目标框出来。基于 YOLOv5 的目标检测人物动物识别，就是干这件事的。它属于单阶段目标检测，输入一张图，输出若干带类别和置信度的边界框。相比 Transformer 目标检测那类方案，YOLOv5 在中小数据集上收敛快、显存占用低，一张 8G 显存的卡就能训。这套方案适合谁？适合想快速落地人物动物识别、手里有几百到几千张标注图、希望当天就能看到检测结果的工程师和学生。代码和数据齐备的情况下，从环境配置到跑出第一张推理图，通常不超过两小时。
2. 人物动物识别为什么选 YOLOv5 而不是别的检测器
2.1 单阶段检测的取舍：速度、精度与显存的三方平衡
目标检测大致分两条路线：两阶段和单阶段。两阶段先出候选区域再分类，精度高但慢；单阶段直接回归框和类别，速度快。YOLOv5 属于单阶段里工程化做得比较成熟的一支。它的骨干网络用 CSPDarknet，颈部用 PANet 做多尺度特征融合，头部输出三个尺度的预测。对人物动物识别这个任务来说，目标尺度跨度大——远处的人可能只有几十像素，近处的狗可能占半张图——多尺度输出正好覆盖这个范围。
选 YOLOv5 而不是 YOLOv3 或 YOLOv8，理由很实际。YOLOv3 的 Darknet 框架配置繁琐，改个数据增强都要动 cfg 文件；YOLOv8 虽然更新，但部分老教程和预训练权重对不上，新手容易在版本兼容上翻车。YOLOv5 的仓库结构清晰，data、models、utils 各司其职，配置文件用 YAML，改起来直观。另一个关键点是预训练权重。YOLOv5s 在 COCO 上预训练过，COCO 本身就包含 person、cat、dog、bird、horse 等类别，和人物动物识别高度重合。用这个权重做迁移学习，收敛速度比从零训练快得多。
显存方面，YOLOv5s 在 640×640 输入下，batch size 设 16 大概占 6G 显存。如果只有 4G 显存，把 batch 降到 8，或者用 YOLOv5n。这一点比 Transformer 目标检测友好太多，后者动辄需要 16G 以上。
2.2 从 COCO 预训练权重到人物动物识别的迁移路径
COCO 数据集有 80 类，人物动物识别通常只关心其中几类。直接拿 COCO 权重推理，会把画面里的车、椅子也框出来。迁移学习的做法是：保留骨干和颈部的权重，替换检测头的分类分支，让输出类别数等于你的数据集类别数。
具体操作上，YOLOv5 的模型配置文件里有一个nc参数，控制类别数。比如你只检测 person、cat、dog、bird 四类，就把nc改成 4。检测头的卷积层输出通道会随之变化，加载预训练权重时，这部分层会因为形状不匹配而被跳过，其余层正常加载。YOLOv5 的train.py里用--weights指定预训练权重，加载时会自动处理这种不匹配，打印出哪些层被跳过。这是它工程化做得好的一个体现。
迁移路径分两步：先冻结骨干训练几轮，让检测头适应新类别；再解冻全部层做微调。冻结训练时学习率可以设大一点，比如 0.01；解冻后降到 0.001 或更低。如果数据集很小，比如每类只有一两百张，冻结训练能有效防止过拟合。
2.3 环境配置：conda 建环境与依赖安装的最小命令集
环境配置是新手第一个坎。常见做法是用 conda 建一个独立环境，避免和系统里的包冲突。下面这套命令在 Linux 和 Windows 的 conda 下都能跑。
# 创建 Python 3.8 环境，YOLOv5 对 3.8/3.9 兼容最好 conda create -n yolo5 python=3.8 -y conda activate yolo5 # 安装 PyTorch，根据你的 CUDA 版本选对应命令 # CUDA 11.3 用下面这行 pip install torch==1.12.1+cu113 torchvision==0.13.1+cu113 --extra-index-url https://download.pytorch.org/whl/cu113 # 安装 YOLOv5 依赖 pip install -r requirements.txt逻辑说明：先建环境再装 PyTorch，是因为 requirements.txt 里可能包含 torch，但版本不一定匹配你的 CUDA。手动指定 torch 版本能避免装成 CPU 版。参数说明：python=3.8是版本号，-y表示自动确认。CUDA 版本用nvcc --version查，如果显示 11.3 就用 cu113，显示 11.6 就用 cu116。装完用python -c "import torch; print(torch.cuda.is_available())"验证，输出 True 才算成功。
提示：如果 pip 安装 torch 太慢，可以换国内镜像源，但镜像源里的 torch 版本可能不全，建议只对普通包用镜像，torch 还是从官方源装。
3. 人物动物识别数据集怎么准备与标注
3.1 数据采集：从公开数据集到自建图片库的取舍
人物动物识别的数据来源有三类。第一类是公开数据集，比如 COCO、VOC 里筛选出 person、cat、dog、bird 等类别。第二类是网络爬取，用关键词搜图，但要注意版权和图片质量。第三类是自建，用手机或相机拍，或者从监控视频抽帧。
公开数据集的优点是标注质量高、格式规范，缺点是场景和你的实际场景可能差距大。比如 COCO 里的猫多是室内宠物猫，你要检测的是野外流浪猫，分布就不一样。常见做法是公开数据集打底，再补一批自己场景的图。比例大概 7:3 或 6:4。
自建图片库要注意几点：图片分辨率不要差异太大，否则 resize 后目标变形；同一类目标要有不同角度、光照、遮挡的样本；负样本也要有，比如空场景图，让模型学会不误检。数量上，每类至少 300 张，低于这个数模型很难学到稳定特征。
3.2 标注格式：VOC 转 YOLO 的脚本与四个边界坑
YOLO 用的标注格式是每张图一个 txt，每行类别索引 中心x 中心y 宽 高，坐标都归一化到 0-1。如果你用 LabelImg 标注，默认存的是 VOC 格式的 XML。转换脚本如下。
import xml.etree.ElementTree as ET import os # 类别映射，索引从 0 开始 classes = ["person", "cat", "dog", "bird"] def convert(size, box): # size 是图片宽高，box 是 xmin,ymin,xmax,ymax dw, dh = 1.0 / size[0], 1.0 / size[1] x = (box[0] + box[1]) / 2.0 y = (box[2] + box[3]) / 2.0 w = box[1] - box[0] h = box[3] - box[2] return x * dw, y * dh, w * dw, h * dh def convert_annotation(xml_path, out_path): tree = ET.parse(xml_path) root = tree.getroot() size = root.find("size") w = int(size.find("width").text) h = int(size.find("height").text) with open(out_path, "w") as f: for obj in root.iter("object"): cls = obj.find("name").text if cls not in classes: continue cls_id = classes.index(cls) bndbox = obj.find("bndbox") box = (float(bndbox.find("xmin").text), float(bndbox.find("xmax").text), float(bndbox.find("ymin").text), float(bndbox.find("ymax").text)) bb = convert((w, h), box) f.write(f"{cls_id} {' '.join([str(round(a, 6)) for a in bb])}\n")逻辑说明：convert函数把 VOC 的左上右下坐标转成 YOLO 的中心点加宽高，再除以图片宽高做归一化。convert_annotation遍历 XML 里的 object，跳过不在类别表里的目标。参数说明：classes列表的顺序要和训练时 data.yaml 里的 names 顺序一致，否则类别会错位。round(a, 6)保留六位小数，够用且不占空间。
四个边界坑：第一，xmin 可能大于 xmax，标注时手抖拖反了，转换前要检查并交换。第二，坐标可能超出图片边界，比如 xmax 大于图片宽度，要 clamp 到边界内。第三，图片文件名和 XML 文件名不一致，导致找不到对应关系，建议用同一套命名。第四，类别名大小写不一致，Person 和 person 会被当成两类，统一转小写。
3.3 data.yaml 的五个字段与路径写法
YOLOv5 用 data.yaml 描述数据集。五个关键字段：path是数据集根目录，train和val是训练集和验证集的图片路径，nc是类别数，names是类别名列表。
path: /home/user/datasets/person_animal train: images/train val: images/val nc: 4 names: ["person", "cat", "dog", "bird"]路径写法有个坑：train和val是相对path的路径，不是绝对路径。YOLOv5 会自动把images替换成labels去找标注文件。所以你的目录结构应该是images/train放图，labels/train放 txt。如果标注文件和图片不在对应目录，训练时会报找不到标签。
4. 训练人物动物识别模型的参数怎么设
4.1 从 yolov5s.pt 开始：迁移学习的三个必调参数
训练命令的核心是train.py。下面是一条能直接跑的迁移学习命令。
python train.py \ --weights yolov5s.pt \ --data data/person_animal.yaml \ --epochs 100 \ --batch-size 16 \ --img-size 640 \ --freeze 10 \ --lr0 0.01 \ --device 0逻辑说明：--weights yolov5s.pt加载 COCO 预训练权重，--data指定数据配置，--freeze 10冻结前 10 层（骨干网络的前半部分），--lr0是初始学习率。参数说明：--epochs设 100 是常见起点，数据集小可以降到 50，数据集大可以加到 300。--batch-size根据显存调，8G 显存设 16，4G 设 8。--img-size设 640，如果目标很小可以设 1280，但显存翻倍。--device 0表示用第一块 GPU，CPU 训练去掉这个参数但会很慢。
三个必调参数：--freeze、--lr0、--batch-size。冻结层数越多，训练越快但精度上限越低。学习率太大 loss 震荡，太小收敛慢。batch size 影响梯度稳定性，太小 loss 波动大。
4.2 冻结训练与解冻微调：两阶段学习率怎么切
冻结训练跑完后，要做解冻微调。做法是去掉--freeze，把学习率降到原来的十分之一左右。
python train.py \ --weights runs/train/exp/weights/best.pt \ --data data/person_animal.yaml \ --epochs 50 \ --batch-size 16 \ --img-size 640 \ --lr0 0.001 \ --device 0逻辑说明：--weights指向冻结训练得到的最佳权重，--lr0降到 0.001。解冻后所有层都参与更新，模型能更精细地适应你的数据分布。参数说明：解冻训练的 epoch 不用太多，50 左右够，太多会过拟合。如果验证集 loss 开始上升，就提前停。
两阶段的好处是：冻结阶段快速让检测头适应新类别，解冻阶段微调骨干特征。如果直接解冻训练，小数据集上容易过拟合，因为骨干的通用特征被破坏得太快。
4.3 训练过程看什么：loss 曲线、mAP 与过拟合信号
训练时终端会打印每个 epoch 的 box_loss、obj_loss、cls_loss 和 mAP。box_loss 是边界框回归损失，obj_loss 是目标置信度损失，cls_loss 是分类损失。三个 loss 都应该下降，如果某个震荡不降，检查对应的问题。
mAP@0.5 是 IoU 阈值 0.5 时的平均精度，是主要指标。mAP@0.5:0.95 更严格。人物动物识别任务，mAP@0.5 到 0.85 以上算不错，到 0.9 以上算好。如果训练集 mAP 高但验证集低，是过拟合，加数据增强或减模型复杂度。如果两者都低，是欠拟合，加 epoch 或加数据。
YOLOv5 会把训练过程存到 runs/train/exp 下，包括 loss 曲线图、混淆矩阵、验证集预测图。混淆矩阵能看出哪两类容易混，比如 cat 和 dog 如果经常互错，说明特征区分度不够，要补这两类的难样本。
5. 推理、部署与避坑排查
5.1 用 detect.py 跑通第一张推理图
训练完得到 best.pt，用 detect.py 推理。
python detect.py \ --weights runs/train/exp/weights/best.pt \ --source test_images/ \ --img-size 640 \ --conf-thres 0.25 \ --device 0逻辑说明：--source可以是单张图、文件夹、视频或摄像头编号。--conf-thres是置信度阈值，低于这个值的框不显示。参数说明：--conf-thres默认 0.25，误检多就调高到 0.4，漏检多就调低到 0.15。--img-size要和训练时一致，否则精度下降。结果默认存到 runs/detect/exp。
如果要在代码里调用，用 torch.hub 加载。
import torch # 加载模型，指定类别数 model = torch.hub.load("ultralytics/yolov5", "custom", path="best.pt", force_reload=True) model.conf = 0.25 # 置信度阈值 model.iou = 0.45 # NMS 的 IoU 阈值 results = model("test.jpg") results.print() # 打印检测结果 results.save() # 保存带框的图逻辑说明：torch.hub.load加载本地权重，force_reload确保重新加载。model.conf和model.iou是推理参数。results对象包含框坐标、类别、置信度，可以进一步处理。
5.2 人物动物识别的五条踩坑记录
现象：训练 loss 一直是 nan。原因：学习率太大或数据里有坏图。解决：把 lr0 降到 0.001，用脚本检查图片是否能正常打开，删掉损坏的图。
现象：推理时框的位置整体偏移。原因：训练和推理的 img-size 不一致，或者标注时坐标没归一化对。解决：统一 img-size，检查标注脚本的归一化除数是不是图片宽高。
现象：人和动物互相误检。原因：两类目标在特征上接近，或者训练样本不均衡。解决：补难样本，在 data.yaml 里用--rect做矩形训练，或者在 loss 里给少数类加权。
现象：验证集 mAP 比训练集低很多。原因：过拟合。解决：加数据增强（--augment），加 dropout，或者减少模型层数用 yolov5n。
现象：GPU 显存溢出。原因：batch-size 太大或 img-size 太大。解决：降 batch-size 到 8 或 4，降 img-size 到 416，或者用--accumulate做梯度累积。
5.3 模型导出与推理速度优化
训练完的 .pt 是 PyTorch 格式，部署时可能想转成 ONNX 或 TensorRT。YOLOv5 自带 export.py。
python export.py \ --weights best.pt \ --include onnx \ --img-size 640 \ --batch-size 1逻辑说明：--include指定导出格式，可选 onnx、torchscript、engine（TensorRT）。参数说明：--batch-size 1是推理时的 batch，部署通常用 1。ONNX 通用性好，TensorRT 在 N 卡上最快但需要额外装 TensorRT。
推理速度优化有几个方向：用更小的模型（yolov5n 比 yolov5s 快一倍），降 img-size，用半精度（--half），用 TensorRT。人物动物识别如果对实时性要求高，yolov5s 加 TensorRT 在 1080p 下能到 30 FPS 以上。
6. 把人物动物识别推到更高精度的几个技巧
第一个技巧是难例挖掘。训练完一轮后，用模型跑验证集，把置信度低或检错的图挑出来，人工重新标注或补标，加入训练集再训。这个循环做两三轮，mAP 通常能涨 3 到 5 个点。我一般会写个脚本自动挑出 conf 在 0.1 到 0.4 之间的框，这些是模型最不确定的样本。
第二个技巧是测试时增强（TTA）。推理时把图翻转、缩放几次，把结果融合。YOLOv5 的 detect.py 加--augment就能开。代价是推理慢三倍左右，但 mAP 能涨 1 到 2 个点。对离线分析场景值得，对实时场景不划算。
第三个技巧是类别平衡。人物动物识别里，person 的样本通常远多于其他类。如果直接训，模型会偏向 person。做法是在 data.yaml 里给每类设权重，或者在采样时对少数类过采样。YOLOv5 本身不直接支持类别权重，但可以在数据集构建时控制每类图片数量大致均衡。
第四个技巧是锚框聚类。YOLOv5 默认的锚框是基于 COCO 的，如果你的目标尺寸分布和 COCO 差很多，比如都是小目标，重新聚类锚框能提升召回。用python utils/autanchor.py跑你的数据集，把输出的锚框填到模型配置里。
验证方法上，除了 mAP，我习惯看混淆矩阵和 PR 曲线。混淆矩阵看类间混淆，PR 曲线看每类的查准查全平衡。如果某类 PR 曲线下面积极小，说明这类样本太少或太难，要单独补。
最后说个习惯：每次改完参数或数据，先跑 10 个 epoch 看 loss 趋势，别一上来就训 300 轮。10 轮里 loss 不降，后面大概率也不降，早点排查比等几小时强。这套人物动物识别的方案，代码和数据齐备的情况下，从环境到出结果一天内能走完，但调到满意精度通常要一周左右。希望帮到你。
本文还有配套的精品资源，点击获取
