YOLOV5口罩检测实战：数据集、训练与推理全流程资源包

简介这份资源是面向计算机相关专业学生与项目实战学习者的YOLOV5口罩检测完整方案适用于毕业设计、课程设计及期末大作业等场景。包内提供标注好的数据集、可运行的项目代码、训练好的模型权重以及配套说明文档帮助读者跳过数据采集与标注环节直接进入模型训练、推理与效果验证快速搭建一套可演示的口罩佩戴检测系统。资源共149个文件以yaml配置文件、Python源码、pyc编译文件、jpg与jpeg样本图片、sh脚本、pt模型权重及md说明文档为主压缩包约922.84MB目录结构清晰便于按数据、代码、模型模块分别查阅。目前已有193人学习下载适合需要完整项目参考、对照复现实验流程并查漏补缺的中级学习者。1. 口罩检测项目落地从数据集到推理这套 YOLOV5 资源能省你多少时间做计算机相关毕业设计或者期末大作业最怕的不是算法难而是数据、代码、模型三样东西凑不齐。你手里可能有一堆 YOLOV5 的教程链接但真正打开一看要么只有代码没有标注数据要么模型权重跑不起来要么环境配置卡在某个依赖版本上。这套基于 YOLOV5 的口罩检测资源核心价值就在于把数据集、标注文件、训练代码、训练好的模型权重打包到了一起拿到手就能直接跑推理也能重新训练。它适合正在做目标检测方向毕业设计的学生也适合需要快速验证 YOLOV5 训练流程的从业者。项目正文里提到的 setup.cfg、Dockerfile、tutorial.ipynb 以及若干 jpeg 图片说明这套资源不仅有训练脚本还带了容器化配置和示例图片省去了自己从零搭环境的麻烦。评审分 98 分这个信息至少说明它在答辩场景下是被认可过的代码结构和文档完整度有一定保障。2. 拆开资源包YOLOV5 口罩检测的数据集结构与标注格式2.1 数据集目录长什么样标注文件怎么对应拿到一个目标检测数据集第一件事不是急着训练而是搞清楚目录结构和标注格式。YOLOV5 用的是 YOLO 格式的标注每张图片对应一个同名的 txt 文件txt 里每一行代表一个目标框格式是类别索引 中心x 中心y 宽度 高度所有坐标都归一化到 0 到 1 之间。这套口罩检测数据集通常会把图片和标注分开放常见的结构是 images 和 labels 两个大目录下面再分 train、val、test 三个子集。你打开 labels 目录下的 txt 文件如果看到类似0 0.452 0.613 0.128 0.095这样的内容说明标注是正常的。如果看到的是 xml 文件那就是 VOC 格式需要先转成 YOLO 格式才能用。项目正文里没有明确说标注格式但既然是基于 YOLOV5 的项目大概率已经转好了你只需要确认 images 和 labels 的文件名一一对应即可。2.2 数据配置文件怎么写路径和类别数别填错YOLOV5 训练时需要一个 yaml 配置文件来告诉模型去哪里找图片、去哪里找标注、有几个类别。这个文件通常叫 data.yaml 或者 mask_data.yaml放在项目根目录或者 data 目录下。内容一般长这样# 口罩检测数据配置 train: ./dataset/images/train # 训练集图片路径 val: ./dataset/images/val # 验证集图片路径 test: ./dataset/images/test # 测试集图片路径可选 nc: 2 # 类别数量口罩检测通常是2类戴口罩、未戴口罩 names: [with_mask, without_mask] # 类别名称顺序要和标注里的类别索引一致这里最容易翻车的地方是路径写错和类别数对不上。路径建议用相对路径相对于你执行训练命令时所在的目录。如果你在项目根目录下运行 train.py那./dataset/images/train就要确保真的存在。类别数 nc 必须和 names 列表长度一致names 的顺序必须和标注时用的类别索引一致。比如标注时你把“戴口罩”标为 0“未戴口罩”标为 1那 names 里第一个就得是 with_mask。如果顺序反了模型训练时会把标签学反推理结果就会把戴口罩的人识别成未戴口罩这种错误在验证集上可能看不出来因为准确率还是高的但实际用的时候就是错的。2.3 标注质量自查三个快速验证方法在开始训练之前花十分钟检查标注质量能帮你省下几个小时的无效训练。第一个方法是随机抽几张图片用 Python 把标注框画出来看看位置对不对import cv2 import os img_path ./dataset/images/train/001.jpg label_path ./dataset/labels/train/001.txt img cv2.imread(img_path) h, w img.shape[:2] with open(label_path, r) as f: for line in f.readlines(): cls, cx, cy, bw, bh map(float, line.strip().split()) # 归一化坐标转像素坐标 x1 int((cx - bw / 2) * w) y1 int((cy - bh / 2) * h) x2 int((cx bw / 2) * w) y2 int((cy bh / 2) * h) cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.putText(img, str(int(cls)), (x1, y1 - 5), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 255, 0), 2) cv2.imshow(check, img) cv2.waitKey(0)这段代码的逻辑很简单读图片和对应的标注文件把归一化坐标还原成像素坐标画框并显示类别索引。如果框的位置明显偏了或者框的大小和实际目标对不上说明标注有问题。第二个方法是统计每个类别的样本数量看看有没有严重不均衡。第三个方法是检查有没有空标注文件或者图片损坏。这三个方法跑一遍基本能排除大部分数据层面的坑。3. 环境配置与训练启动从 Dockerfile 到第一个 epoch3.1 用 Dockerfile 还是 conda两条路怎么选项目正文里出现了 Dockerfile 和 setup.cfg说明这套资源提供了容器化运行的方式。如果你对 Docker 熟悉直接用 Dockerfile 构建镜像是最省事的因为所有依赖版本都锁定了不会出现“在我机器上能跑”的问题。构建命令通常是# 在项目根目录下构建镜像 docker build -t yolov5-mask . # 运行容器并挂载当前目录 docker run --gpus all -it -v $(pwd):/workspace yolov5-mask bash如果你不想用 Docker那就走 conda 路线。YOLOV5 对 PyTorch 版本有要求常见做法是创建一个 Python 3.8 或 3.9 的环境然后安装对应 CUDA 版本的 PyTorch。这里有个血泪经验不要直接 pip install torch一定要去 PyTorch 官网查好 CUDA 版本对应的安装命令。比如 CUDA 11.3 就用pip install torch1.10.1cu113 torchvision0.11.2cu113 -f https://download.pytorch.org/whl/cu113/torch_stable.html。装完 PyTorch 再装 YOLOV5 的依赖pip install -r requirements.txt。setup.cfg 里通常定义了包的元数据和依赖但实际安装还是以 requirements.txt 为准。3.2 训练命令拆解batch size、epochs、img size 怎么定YOLOV5 的训练入口是 train.py最简命令长这样python train.py --data data/mask_data.yaml --weights yolov5s.pt --batch-size 16 --epochs 100 --img 640每个参数都有实际含义。--weights yolov5s.pt表示用预训练的 YOLOV5s 模型做迁移学习这是口罩检测这种小数据集场景下的标准做法比从头训练收敛快得多。--batch-size 16是每次喂给模型的图片数量如果你的显存不够就降到 8 或者 4但太小会影响 BatchNorm 层的效果。--epochs 100是训练轮数口罩检测数据集通常几千张图片100 轮足够收敛你可以观察验证集损失曲线如果 50 轮之后损失不再下降就可以提前停。--img 640是输入图片的尺寸YOLOV5 会自动把图片缩放到 640x640如果你的图片里口罩目标特别小可以调到 1280但显存占用会翻倍。训练过程中终端会打印每一轮的损失值和 mAP 指标。重点关注mAP0.5这个值在 0.9 以上说明模型对口罩的检测效果不错。如果 mAP 一直上不去先别急着调模型回头检查数据标注和类别平衡。3.3 训练中断了怎么续断点续训的配置训练到一半断电或者显存爆了不想从头再来YOLOV5 支持断点续训。训练过程中会在runs/train/exp/weights/目录下保存last.pt和best.pt。last.pt是最近一轮的权重best.pt是验证集效果最好的那一轮。续训命令python train.py --data data/mask_data.yaml --weights runs/train/exp/weights/last.pt --batch-size 16 --epochs 100 --img 640 --resume加上--resume参数后YOLOV5 会读取 last.pt 里保存的优化器状态和 epoch 数从断点继续训练。注意--weights要指向 last.pt 而不是 best.pt因为 best.pt 只保存了模型参数没有优化器状态。如果你不小心用了 best.pt 加 --resume可能会报错或者从头开始。4. 推理与部署训练好的模型怎么用起来4.1 用 detect.py 跑单张图片和视频训练完之后最直接的验证方式是用 detect.py 跑推理。命令格式python detect.py --weights runs/train/exp/weights/best.pt --source ./test_images --img 640 --conf 0.5--source可以指向单张图片、一个文件夹、一段视频甚至摄像头填 0。--conf 0.5是置信度阈值只有模型认为置信度超过 0.5 的目标才会被画框。口罩检测场景下这个值可以适当调低到 0.3因为漏检一个未戴口罩的人比误检一个戴口罩的人代价更高。推理结果默认保存在runs/detect/exp/目录下图片上会画出边界框和类别标签。4.2 模型导出为 ONNX 或 TorchScript如果你需要把模型部署到其他平台比如 C 或者移动端就需要把 PyTorch 模型导出成通用格式。YOLOV5 提供了 export.pypython export.py --weights runs/train/exp/weights/best.pt --include onnx --img 640导出的 ONNX 模型可以用 ONNX Runtime 加载推理速度通常比原生 PyTorch 快一些。注意导出时的--img要和训练时的输入尺寸一致否则检测精度会下降。导出完成后可以用 Netron 打开 onnx 文件检查输入输出节点名称方便后续集成。4.3 用 tutorial.ipynb 快速验证全流程项目正文里提到了 tutorial.ipynb这是一个 Jupyter Notebook 文件通常包含了从加载模型、读取图片、预处理、推理到后处理的完整流程。你可以直接打开这个 notebook逐单元格运行看看每一步的中间结果。对于不熟悉 YOLOV5 内部流程的人来说这个 notebook 比命令行更直观因为你可以看到张量形状的变化、置信度过滤的过程、NMS 去重的逻辑。如果 notebook 里的代码能跑通说明环境配置没问题模型权重也是可用的。5. 避坑与排查口罩检测训练中最容易翻车的五个地方5.1 现象训练 loss 不下降mAP 一直是 0原因通常是数据配置文件里的路径写错了模型根本读不到图片和标注。YOLOV5 在训练开始时会打印数据集扫描结果如果看到0 images, 0 backgrounds那就是路径问题。解决方法是检查 data.yaml 里的 train 和 val 路径确保是相对于你执行命令时所在目录的正确路径。另一个可能是标注文件里的类别索引超出了 nc 的范围比如 nc2 但标注里出现了 2 或更大的数字模型会直接忽略这些标注。5.2 现象显存溢出报 CUDA out of memory原因可能是 batch size 太大或者 img size 太大。YOLOV5s 在 640 尺寸下batch size 16 大概需要 6GB 显存。如果你的显卡只有 4GB就把 batch size 降到 8 或者 4同时把 img size 降到 416。还有一个容易被忽略的点训练时如果开启了多线程数据加载workers 参数每个线程都会占用一部分显存把 workers 设为 0 或者 2 能缓解。解决方法是先用小 batch size 跑通再逐步往上加找到显存上限。5.3 现象推理结果框的位置对但类别全反了这是典型的类别顺序问题。标注时用的类别索引和 data.yaml 里 names 的顺序不一致。比如标注时 0 是 without_mask1 是 with_mask但 names 写成了 [with_mask, without_mask]。模型学到的“0 类”实际上是未戴口罩但推理时显示成戴口罩。解决方法是重新核对标注时的类别映射把 names 顺序改对然后重新训练。这种错误在验证集上 mAP 可能还是高的因为模型确实学会了区分两个类别只是标签名字对调了。5.4 现象训练到一半突然报错提示找不到 last.pt原因通常是训练过程中手动中断了进程或者磁盘空间满了导致权重文件没保存完整。YOLOV5 默认每轮结束后保存 last.pt但如果进程被 kill 掉可能只保存了部分文件。解决方法是检查runs/train/exp/weights/目录下有没有 last.pt如果文件大小为 0 或者不存在就只能从 best.pt 重新开始或者从更早的 epoch 权重继续。建议训练时定期备份 weights 目录。5.5 现象detect.py 跑出来的结果全是同一个类别原因可能是置信度阈值设得太低模型把背景也当成了目标。口罩检测场景下如果 conf 设成 0.1模型会把很多模糊区域都标成口罩。解决方法是在 detect.py 里把--conf调到 0.4 到 0.6 之间同时开启--agnostic-nms参数让 NMS 在不同类别之间也做去重。另外检查一下训练时用的数据集有没有大量误标注比如把人的脸标成了口罩。6. 进阶技巧用 TensorBoard 看训练曲线用混淆矩阵定位弱类训练启动后YOLOV5 会自动在runs/train/exp/目录下生成 TensorBoard 日志。启动 TensorBoardtensorboard --logdir runs/train然后在浏览器打开 localhost:6006你能看到损失曲线、学习率变化、mAP 曲线。重点看三个图train/box_loss和val/box_loss是否同步下降如果 train 降但 val 不降说明过拟合了需要加数据增强或者减少模型复杂度metrics/mAP_0.5是否稳定上升lr/pg0学习率有没有按预期衰减。除了 TensorBoardYOLOV5 还会在训练结束后生成混淆矩阵保存在runs/train/exp/confusion_matrix.png。这个矩阵能告诉你模型在哪些类别上容易混淆。比如“未戴口罩”被误判成“戴口罩”的次数特别多说明这两类在特征上区分度不够可能需要补充更多遮挡、侧脸、远距离的样本。我一般会在训练完第一轮后先看混淆矩阵再决定要不要调整数据集而不是盲目加 epoch。从那以后我每次训练新数据集都强制走一遍“看曲线、看矩阵、看标注”的流程希望帮到你。本文还有配套的精品资源点击获取