尧图网站建设 
简介本资源为YOLOV5 6.1版本的全中文注释代码压缩包面向目标检测方向的研究生、参加创新创业大赛的学生以及需要快速上手物体识别项目的开发者重点解决官方代码注释缺失、阅读门槛高的问题。压缩包共约2000个文件以py源码、pyc字节码、h头文件、pyi类型声明及pyd动态库为主另含yaml配置、txt说明、mat数据、csv与png等辅助文件整体约296.99MB目录结构完整便于按模块检索与二次开发。目前已有2785人学习下载配套专栏对代码逐段讲解可帮助读者理解模型结构、数据加载、训练与推理流程。资源在5.0基础上集成更多特性微调模型并优化体积与参数量更适合移动端部署适合需要系统研读源码、完成课程设计或竞赛项目的读者参考使用。1. YOLOv5 6.1 全中文注释包拿到压缩包之后先别急着解压你从某个渠道拿到一个叫「YOLOV5 6.1版本全中文注释压缩包」的文件双击解压里面是一份被逐行加了中文注释的 YOLOv5 源码外加一份配套教程。这件事的价值不在于「多了一个压缩包」而在于它把 YOLOv5 6.1 这个版本的每一处关键逻辑——从数据加载、anchor 匹配、损失计算到后处理 NMS——都用中文摊开在你面前。对刚接手 YOLOv5 训练自己数据集、或者要把模型量化部署到 RK3568、树莓派 4B/5 这类边缘设备的人来说注释包能省掉大量「对着英文变量名猜意图」的时间。但它不是万能药注释质量参差、版本对不上、教程和代码脱节都是常见翻车点。这篇笔记就按「拿到包怎么验、怎么读、怎么改、怎么训、怎么避坑」的顺序讲清楚。2. 先确认你手里的是不是真的 6.1目录结构与版本核对2.1 6.1 版本的目录长什么样YOLOv5 6.1 是 2021 年底到 2022 年初广泛使用的一个稳定版本它的目录结构和后来的 7.x 有明显差异。解压后你应该看到类似这样的顶层结构yolov5-6.1/ ├── data/ # 数据集配置 yaml、hyps 超参数 ├── models/ # 网络结构定义 yaml common.py yolo.py experimental.py ├── utils/ # 通用工具dataloaders、loss、metrics、general、plots 等 ├── weights/ # 预训练权重存放通常为空需自己下 ├── train.py ├── val.py ├── detect.py ├── export.py ├── hubconf.py ├── requirements.txt └── tutorial/ # 配套教程如果有判断是不是 6.1最直接的办法是看models/yolo.py里Detect类的实现以及utils/loss.py里ComputeLoss的写法。6.1 的ComputeLoss用的是BCEWithLogitsLoss做 obj 和 cls 分支box 分支用 CIoU且 anchor 匹配走的是build_targets里的跨网格策略。如果你在utils/loss.py里看到FocalLoss或者TaskAlignedAssigner那基本是 7.x 或 8.x不是 6.1。2.2 用三行命令核对版本与依赖解压后先别改代码先跑一遍环境自检。我一般会这么做cd yolov5-6.1 python -c import torch; print(torch, torch.__version__, cuda, torch.cuda.is_available()) pip install -r requirements.txt python detect.py --weights yolov5s.pt --source data/images --img 640第一行确认 PyTorch 和 CUDA 是否可用6.1 官方要求torch1.7实测 1.8~1.12 最稳太新的 2.x 有时会在torch.load和autocast上报 warning 甚至报错。第二行装依赖注意requirements.txt里锁的numpy、opencv-python版本如果和你系统里已有的冲突建议单独建虚拟环境。第三行用官方yolov5s.pt跑一张示例图能出结果说明代码链路是通的。提示如果detect.py报AttributeError: module torch has no attribute meshgrid之类多半是 torch 版本和代码不匹配先降 torch 而不是改代码。2.3 注释包和官方源码的差异怎么比对注释包通常是在官方 6.1 源码基础上加中文注释但有些包会顺手改几行代码比如改默认--img、改hyp路径。稳妥做法是拿官方 6.1 的git版本做一次 diff# 假设你另有一份干净的官方 6.1 diff -r --brief yolov5-6.1-official/ yolov5-6.1-annotated/如果差异只在注释行以#开头那放心用如果发现models/common.py、utils/loss.py这类核心文件有非注释改动就要逐行看清楚改了什么。我见过有的包把anchors默认值改了结果训练自己数据集时 mAP 一直上不去查了半天才发现是 anchor 被换过。3. 把中文注释读成自己的知识从数据加载到后处理的阅读顺序3.1 按训练链路读而不是按文件字母顺序读很多人拿到注释包从utils/general.py开始读读两页就放弃了因为那里面全是杂项工具函数。正确的读法是跟着一次训练的执行流走train.py的main()→ 解析参数、建DataLoaderutils/dataloaders.py的LoadImagesAndLabels→ 看数据怎么读、怎么做 letterbox、怎么生成标签models/yolo.py的Model.forward→ 看网络怎么前向utils/loss.py的ComputeLoss.__call__→ 看损失怎么算、anchor 怎么匹配val.py的process_batch→ 看 mAP 怎么统计utils/general.py的non_max_suppression→ 看后处理 NMS这条链路走完你对 YOLOv5 6.1 的理解就成型了。注释包的价值在这条链路上最明显因为每个环节的变量名nl、na、no、gain、pad都很短没注释很容易看晕。3.2 重点读build_targetsanchor 匹配是 6.1 的核心utils/loss.py里的build_targets是 6.1 最值得精读的函数。它决定了每个 GT 框分配到哪些 anchor、哪些网格。核心逻辑是对每个 GT先算它和所有 anchor 的宽高比取比值在阈值内的 anchor再通过gxy % 1判断落在哪个网格并额外扩展上下左右各一个网格作为正样本候选。# 摘自 utils/loss.py 的 build_targets 关键片段带注释理解 r t[:, :, 4:6] / anchors[:, None] # GT 宽高 / anchor 宽高 j torch.max(r, 1 / r).max(2)[0] self.hyp[anchor_t] # 比值小于阈值才算匹配 gxy t[:, 2:4] # GT 中心点坐标网格单位 gxi gain[[2, 1]] - gxy # 反向坐标用于判断边界 # 下面这段是 6.1 的跨网格扩展中心点小数部分 0.5 或 0.5 时把相邻网格也纳入 j, k ((gxy % 1 g) (gxy 1)).T l, m ((gxi % 1 g) (gxi 1)).Tanchor_t这个超参数默认是 4.0意思是 GT 和 anchor 的宽高比只要在 1/4 到 4 之间就算匹配。调小它会让正样本变少、训练更严调大则正样本变多、召回上升但精度可能下降。这个参数在data/hyps/hyp.scratch.yaml里训练自己数据集时值得试 3.0、4.0、5.0 三档。3.3 后处理 NMS 的注释要对着detect.py一起看utils/general.py的non_max_suppression是推理阶段最后一步注释包通常会解释conf_thres、iou_thres、classes、agnostic这几个参数。但光看函数不够要对着detect.py里怎么调用它一起看# detect.py 中的调用 pred non_max_suppression(pred, conf_thres, iou_thres, classes, agnostic_nms, max_detmax_det)conf_thres默认 0.25iou_thres默认 0.45。做锥桶检测这类目标密集场景时iou_thres调太低会漏检相邻目标调太高会重复框。我一般先在验证集上画 PR 曲线再定这两个值而不是拍脑袋。4. 用注释包训练自己的数据集配置、命令与参数4.1 数据集 yaml 怎么写YOLOv5 6.1 的数据集配置放在data/下格式是# data/mydata.yaml path: ../datasets/mydata # 数据集根目录 train: images/train # 训练集图片相对路径 val: images/val # 验证集图片相对路径 nc: 3 # 类别数 names: [cone, car, person] # 类别名图片和标签要分开放标签是 YOLO 格式的 txt每行class x_center y_center width height坐标都归一化到 0~1。常见错误是标签没归一化或者nc和names长度对不上训练时会在build_targets里报 index 越界。4.2 训练命令与关键参数python train.py \ --data data/mydata.yaml \ --cfg models/yolov5s.yaml \ --weights yolov5s.pt \ --epochs 100 \ --batch-size 16 \ --img 640 \ --hyp data/hyps/hyp.scratch.yaml \ --name mydata_exp1逐项说明--weights yolov5s.pt用预训练权重做迁移学习比从头训快很多--batch-size受显存限制8G 显存跑yolov5simg 640大概能到 16--hyp指定超参数文件6.1 自带hyp.scratch.yaml从头训和hyp.finetune.yaml微调训练自己数据集通常用 scratch 那套再微调lr0。--img要和你的实际目标尺度匹配锥桶、小目标建议 640 起步再大显存吃不消。4.3 训练过程看什么指标训练日志里重点看三列box_loss、obj_loss、cls_loss。正常情况三者都下降obj_loss下降最慢是正常的。如果cls_loss不降反升多半是类别不平衡或标签有错。验证阶段看mAP0.5和mAP0.5:0.95前者到 0.8 以上、后者到 0.5 以上对一般工业检测就算可用。6.1 的val.py会在runs/val/下生成混淆矩阵和 PR 曲线注释包里一般会标出这些图怎么看。注意如果训练到一半 loss 突然变 NaN先查学习率是不是太大再看数据里有没有宽高为 0 的框。6.1 对空框的容错不如后续版本。5. 部署到边缘设备与量化从 6.1 导出到 RK3568、树莓派5.1 导出 ONNX 与 RKNN 的路径6.1 的export.py支持导出 ONNX、TorchScript、CoreML 等。部署到 RK3568 一般走 ONNX → RKNNpython export.py --weights runs/train/mydata_exp1/weights/best.pt --include onnx --img 640 --batch 1导出 ONNX 时注意--img要和训练一致--batch 1是为了后续量化方便。RKNN 工具链对 opset 有要求6.1 导出的 ONNX 默认 opset 12 左右如果 RKNN 报不支持某算子可以在export.py里调opset_version或者用onnx-simplifier先简化。5.2 树莓派 4B/5 上跑 6.1 的现实预期树莓派 4B 用 CPU 跑yolov5simg 640单帧大概 1~2 秒做实时检测不现实降到img 320能到 3~5 FPS勉强能用。树莓派 5 的 CPU 强一些但也没到质变。真要实时得走 NCNN 或 ONNX Runtime 量化。6.1 的export.py不直接支持 NCNN需要额外装ncnn工具链转换。量化到 INT8 后精度会掉建议在验证集上对比 FP32 和 INT8 的 mAP掉超过 3 个点就要考虑混合量化或换更小的模型yolov5n。5.3 量化后精度掉的排查顺序先确认校准集是否有代表性——校准集要覆盖你的实际场景不能只用几张图。再看量化配置里的mean、std是否和训练时一致6.1 默认是 0~1 归一化如果量化工具默认 0~255结果会全错。最后看哪些层被量化了Detect头附近的卷积层对精度敏感有时需要保留 FP16。6. 避坑与常见问题注释包使用中的 5 个血泪教训6.1 现象训练 loss 正常但 mAP 一直是 0原因标签格式不对最常见的是坐标没归一化或者classes从 1 开始编号YOLO 要求从 0 开始。解决用脚本抽查几个标签文件确认每行 5 个值、坐标在 0~1、类别号从 0 起。6.2 现象detect.py能跑但train.py报CUDA out of memory原因--batch-size太大或者--img太大。6.1 的 dataloader 会预取显存占用比预期高。解决先把--batch-size降到 4 试通再逐步加或者用--img 416先跑通流程。6.3 现象注释包里的教程命令跑不通报参数不存在原因教程可能是针对 7.x 写的参数名和 6.1 不一致比如 7.x 的--freeze用法有变。解决以python train.py --help的实际输出为准不要照抄教程里的命令。6.4 现象导出 ONNX 后推理结果和 PyTorch 不一致原因6.1 的Detect层在导出时会把 sigmoid 和 decode 融合如果导出参数不对后处理会重复做。解决导出时加--include onnx并确认--grid参数推理端不要再做一次 decode。6.5 现象换了自己的数据集后anchor 不匹配导致召回低原因6.1 默认 anchor 是基于 COCO 聚类的你的目标宽高分布可能差很远。解决用utils/autoanchor.py里的kmean_anchors在自己的训练集上重新聚类把结果写回models/yolov5s.yaml的anchors字段。7. 进阶技巧用注释包做二次开发与版本迁移注释包最大的价值不是「读一遍」而是「改得动」。我一般会拿它做两件事一是改ComputeLoss加自定义损失项比如在锥桶检测里对小目标加权二是把 6.1 的某些模块迁移到新版本。改损失时先在ComputeLoss.__call__里定位lbox、lobj、lcls三个分量加权重后重新训练对比 mAP。迁移模块时注意 6.1 的autopad、Conv、BottleneckCSP和 7.x 的C3结构不同不能直接复制。验证改动是否有效我习惯固定随机种子跑两次一次基线一次改动对比mAP0.5和mAP0.5:0.95。如果只涨了 0.1 个点大概率是噪声别急着上线。另外6.1 的val.py支持--save-json可以把预测结果存成 COCO 格式用 pycocotools 再算一遍交叉验证。最后说个习惯每次改完代码先git diff看一眼改了哪些行再跑一次detect.py确认推理链路没断。注释包再全也不如自己动手改一遍记得牢。希望帮到你。本文还有配套的精品资源点击获取 YOLOv5 6.1全中文注释包实战：从源码精读到边缘部署
简介本资源为YOLOV5 6.1版本的全中文注释代码压缩包面向目标检测方向的研究生、参加创新创业大赛的学生以及需要快速上手物体识别项目的开发者重点解决官方代码注释缺失、阅读门槛高的问题。压缩包共约2000个文件以py源码、pyc字节码、h头文件、pyi类型声明及pyd动态库为主另含yaml配置、txt说明、mat数据、csv与png等辅助文件整体约296.99MB目录结构完整便于按模块检索与二次开发。目前已有2785人学习下载配套专栏对代码逐段讲解可帮助读者理解模型结构、数据加载、训练与推理流程。资源在5.0基础上集成更多特性微调模型并优化体积与参数量更适合移动端部署适合需要系统研读源码、完成课程设计或竞赛项目的读者参考使用。1. YOLOv5 6.1 全中文注释包拿到压缩包之后先别急着解压你从某个渠道拿到一个叫「YOLOV5 6.1版本全中文注释压缩包」的文件双击解压里面是一份被逐行加了中文注释的 YOLOv5 源码外加一份配套教程。这件事的价值不在于「多了一个压缩包」而在于它把 YOLOv5 6.1 这个版本的每一处关键逻辑——从数据加载、anchor 匹配、损失计算到后处理 NMS——都用中文摊开在你面前。对刚接手 YOLOv5 训练自己数据集、或者要把模型量化部署到 RK3568、树莓派 4B/5 这类边缘设备的人来说注释包能省掉大量「对着英文变量名猜意图」的时间。但它不是万能药注释质量参差、版本对不上、教程和代码脱节都是常见翻车点。这篇笔记就按「拿到包怎么验、怎么读、怎么改、怎么训、怎么避坑」的顺序讲清楚。2. 先确认你手里的是不是真的 6.1目录结构与版本核对2.1 6.1 版本的目录长什么样YOLOv5 6.1 是 2021 年底到 2022 年初广泛使用的一个稳定版本它的目录结构和后来的 7.x 有明显差异。解压后你应该看到类似这样的顶层结构yolov5-6.1/ ├── data/ # 数据集配置 yaml、hyps 超参数 ├── models/ # 网络结构定义 yaml common.py yolo.py experimental.py ├── utils/ # 通用工具dataloaders、loss、metrics、general、plots 等 ├── weights/ # 预训练权重存放通常为空需自己下 ├── train.py ├── val.py ├── detect.py ├── export.py ├── hubconf.py ├── requirements.txt └── tutorial/ # 配套教程如果有判断是不是 6.1最直接的办法是看models/yolo.py里Detect类的实现以及utils/loss.py里ComputeLoss的写法。6.1 的ComputeLoss用的是BCEWithLogitsLoss做 obj 和 cls 分支box 分支用 CIoU且 anchor 匹配走的是build_targets里的跨网格策略。如果你在utils/loss.py里看到FocalLoss或者TaskAlignedAssigner那基本是 7.x 或 8.x不是 6.1。2.2 用三行命令核对版本与依赖解压后先别改代码先跑一遍环境自检。我一般会这么做cd yolov5-6.1 python -c import torch; print(torch, torch.__version__, cuda, torch.cuda.is_available()) pip install -r requirements.txt python detect.py --weights yolov5s.pt --source data/images --img 640第一行确认 PyTorch 和 CUDA 是否可用6.1 官方要求torch1.7实测 1.8~1.12 最稳太新的 2.x 有时会在torch.load和autocast上报 warning 甚至报错。第二行装依赖注意requirements.txt里锁的numpy、opencv-python版本如果和你系统里已有的冲突建议单独建虚拟环境。第三行用官方yolov5s.pt跑一张示例图能出结果说明代码链路是通的。提示如果detect.py报AttributeError: module torch has no attribute meshgrid之类多半是 torch 版本和代码不匹配先降 torch 而不是改代码。2.3 注释包和官方源码的差异怎么比对注释包通常是在官方 6.1 源码基础上加中文注释但有些包会顺手改几行代码比如改默认--img、改hyp路径。稳妥做法是拿官方 6.1 的git版本做一次 diff# 假设你另有一份干净的官方 6.1 diff -r --brief yolov5-6.1-official/ yolov5-6.1-annotated/如果差异只在注释行以#开头那放心用如果发现models/common.py、utils/loss.py这类核心文件有非注释改动就要逐行看清楚改了什么。我见过有的包把anchors默认值改了结果训练自己数据集时 mAP 一直上不去查了半天才发现是 anchor 被换过。3. 把中文注释读成自己的知识从数据加载到后处理的阅读顺序3.1 按训练链路读而不是按文件字母顺序读很多人拿到注释包从utils/general.py开始读读两页就放弃了因为那里面全是杂项工具函数。正确的读法是跟着一次训练的执行流走train.py的main()→ 解析参数、建DataLoaderutils/dataloaders.py的LoadImagesAndLabels→ 看数据怎么读、怎么做 letterbox、怎么生成标签models/yolo.py的Model.forward→ 看网络怎么前向utils/loss.py的ComputeLoss.__call__→ 看损失怎么算、anchor 怎么匹配val.py的process_batch→ 看 mAP 怎么统计utils/general.py的non_max_suppression→ 看后处理 NMS这条链路走完你对 YOLOv5 6.1 的理解就成型了。注释包的价值在这条链路上最明显因为每个环节的变量名nl、na、no、gain、pad都很短没注释很容易看晕。3.2 重点读build_targetsanchor 匹配是 6.1 的核心utils/loss.py里的build_targets是 6.1 最值得精读的函数。它决定了每个 GT 框分配到哪些 anchor、哪些网格。核心逻辑是对每个 GT先算它和所有 anchor 的宽高比取比值在阈值内的 anchor再通过gxy % 1判断落在哪个网格并额外扩展上下左右各一个网格作为正样本候选。# 摘自 utils/loss.py 的 build_targets 关键片段带注释理解 r t[:, :, 4:6] / anchors[:, None] # GT 宽高 / anchor 宽高 j torch.max(r, 1 / r).max(2)[0] self.hyp[anchor_t] # 比值小于阈值才算匹配 gxy t[:, 2:4] # GT 中心点坐标网格单位 gxi gain[[2, 1]] - gxy # 反向坐标用于判断边界 # 下面这段是 6.1 的跨网格扩展中心点小数部分 0.5 或 0.5 时把相邻网格也纳入 j, k ((gxy % 1 g) (gxy 1)).T l, m ((gxi % 1 g) (gxi 1)).Tanchor_t这个超参数默认是 4.0意思是 GT 和 anchor 的宽高比只要在 1/4 到 4 之间就算匹配。调小它会让正样本变少、训练更严调大则正样本变多、召回上升但精度可能下降。这个参数在data/hyps/hyp.scratch.yaml里训练自己数据集时值得试 3.0、4.0、5.0 三档。3.3 后处理 NMS 的注释要对着detect.py一起看utils/general.py的non_max_suppression是推理阶段最后一步注释包通常会解释conf_thres、iou_thres、classes、agnostic这几个参数。但光看函数不够要对着detect.py里怎么调用它一起看# detect.py 中的调用 pred non_max_suppression(pred, conf_thres, iou_thres, classes, agnostic_nms, max_detmax_det)conf_thres默认 0.25iou_thres默认 0.45。做锥桶检测这类目标密集场景时iou_thres调太低会漏检相邻目标调太高会重复框。我一般先在验证集上画 PR 曲线再定这两个值而不是拍脑袋。4. 用注释包训练自己的数据集配置、命令与参数4.1 数据集 yaml 怎么写YOLOv5 6.1 的数据集配置放在data/下格式是# data/mydata.yaml path: ../datasets/mydata # 数据集根目录 train: images/train # 训练集图片相对路径 val: images/val # 验证集图片相对路径 nc: 3 # 类别数 names: [cone, car, person] # 类别名图片和标签要分开放标签是 YOLO 格式的 txt每行class x_center y_center width height坐标都归一化到 0~1。常见错误是标签没归一化或者nc和names长度对不上训练时会在build_targets里报 index 越界。4.2 训练命令与关键参数python train.py \ --data data/mydata.yaml \ --cfg models/yolov5s.yaml \ --weights yolov5s.pt \ --epochs 100 \ --batch-size 16 \ --img 640 \ --hyp data/hyps/hyp.scratch.yaml \ --name mydata_exp1逐项说明--weights yolov5s.pt用预训练权重做迁移学习比从头训快很多--batch-size受显存限制8G 显存跑yolov5simg 640大概能到 16--hyp指定超参数文件6.1 自带hyp.scratch.yaml从头训和hyp.finetune.yaml微调训练自己数据集通常用 scratch 那套再微调lr0。--img要和你的实际目标尺度匹配锥桶、小目标建议 640 起步再大显存吃不消。4.3 训练过程看什么指标训练日志里重点看三列box_loss、obj_loss、cls_loss。正常情况三者都下降obj_loss下降最慢是正常的。如果cls_loss不降反升多半是类别不平衡或标签有错。验证阶段看mAP0.5和mAP0.5:0.95前者到 0.8 以上、后者到 0.5 以上对一般工业检测就算可用。6.1 的val.py会在runs/val/下生成混淆矩阵和 PR 曲线注释包里一般会标出这些图怎么看。注意如果训练到一半 loss 突然变 NaN先查学习率是不是太大再看数据里有没有宽高为 0 的框。6.1 对空框的容错不如后续版本。5. 部署到边缘设备与量化从 6.1 导出到 RK3568、树莓派5.1 导出 ONNX 与 RKNN 的路径6.1 的export.py支持导出 ONNX、TorchScript、CoreML 等。部署到 RK3568 一般走 ONNX → RKNNpython export.py --weights runs/train/mydata_exp1/weights/best.pt --include onnx --img 640 --batch 1导出 ONNX 时注意--img要和训练一致--batch 1是为了后续量化方便。RKNN 工具链对 opset 有要求6.1 导出的 ONNX 默认 opset 12 左右如果 RKNN 报不支持某算子可以在export.py里调opset_version或者用onnx-simplifier先简化。5.2 树莓派 4B/5 上跑 6.1 的现实预期树莓派 4B 用 CPU 跑yolov5simg 640单帧大概 1~2 秒做实时检测不现实降到img 320能到 3~5 FPS勉强能用。树莓派 5 的 CPU 强一些但也没到质变。真要实时得走 NCNN 或 ONNX Runtime 量化。6.1 的export.py不直接支持 NCNN需要额外装ncnn工具链转换。量化到 INT8 后精度会掉建议在验证集上对比 FP32 和 INT8 的 mAP掉超过 3 个点就要考虑混合量化或换更小的模型yolov5n。5.3 量化后精度掉的排查顺序先确认校准集是否有代表性——校准集要覆盖你的实际场景不能只用几张图。再看量化配置里的mean、std是否和训练时一致6.1 默认是 0~1 归一化如果量化工具默认 0~255结果会全错。最后看哪些层被量化了Detect头附近的卷积层对精度敏感有时需要保留 FP16。6. 避坑与常见问题注释包使用中的 5 个血泪教训6.1 现象训练 loss 正常但 mAP 一直是 0原因标签格式不对最常见的是坐标没归一化或者classes从 1 开始编号YOLO 要求从 0 开始。解决用脚本抽查几个标签文件确认每行 5 个值、坐标在 0~1、类别号从 0 起。6.2 现象detect.py能跑但train.py报CUDA out of memory原因--batch-size太大或者--img太大。6.1 的 dataloader 会预取显存占用比预期高。解决先把--batch-size降到 4 试通再逐步加或者用--img 416先跑通流程。6.3 现象注释包里的教程命令跑不通报参数不存在原因教程可能是针对 7.x 写的参数名和 6.1 不一致比如 7.x 的--freeze用法有变。解决以python train.py --help的实际输出为准不要照抄教程里的命令。6.4 现象导出 ONNX 后推理结果和 PyTorch 不一致原因6.1 的Detect层在导出时会把 sigmoid 和 decode 融合如果导出参数不对后处理会重复做。解决导出时加--include onnx并确认--grid参数推理端不要再做一次 decode。6.5 现象换了自己的数据集后anchor 不匹配导致召回低原因6.1 默认 anchor 是基于 COCO 聚类的你的目标宽高分布可能差很远。解决用utils/autoanchor.py里的kmean_anchors在自己的训练集上重新聚类把结果写回models/yolov5s.yaml的anchors字段。7. 进阶技巧用注释包做二次开发与版本迁移注释包最大的价值不是「读一遍」而是「改得动」。我一般会拿它做两件事一是改ComputeLoss加自定义损失项比如在锥桶检测里对小目标加权二是把 6.1 的某些模块迁移到新版本。改损失时先在ComputeLoss.__call__里定位lbox、lobj、lcls三个分量加权重后重新训练对比 mAP。迁移模块时注意 6.1 的autopad、Conv、BottleneckCSP和 7.x 的C3结构不同不能直接复制。验证改动是否有效我习惯固定随机种子跑两次一次基线一次改动对比mAP0.5和mAP0.5:0.95。如果只涨了 0.1 个点大概率是噪声别急着上线。另外6.1 的val.py支持--save-json可以把预测结果存成 COCO 格式用 pycocotools 再算一遍交叉验证。最后说个习惯每次改完代码先git diff看一眼改了哪些行再跑一次detect.py确认推理链路没断。注释包再全也不如自己动手改一遍记得牢。希望帮到你。本文还有配套的精品资源点击获取