从零到一：在Ubuntu 20.04上部署并实战YOLOv5目标检测

1. 环境准备：搭建Ubuntu 20.04基础环境

在开始部署YOLOv5之前，我们需要确保Ubuntu 20.04系统已经安装了必要的软件和工具链。我建议使用全新的Ubuntu系统进行操作，这样可以避免各种依赖冲突问题。实测下来，Ubuntu 20.04 LTS是最稳定的选择，它自带的Python 3.8.5版本完全兼容YOLOv5的要求。

首先打开终端（Ctrl+Alt+T），执行系统更新命令：

sudo apt update && sudo apt upgrade -y

接下来安装基础开发工具和Python环境：

sudo apt install -y python3 python3-pip python3-dev git curl

我强烈建议使用Python虚拟环境来隔离项目依赖。这样可以避免系统Python环境被污染，也方便后续管理：

sudo apt install -y python3-venv python3 -m venv yolov5_env source yolov5_env/bin/activate

注意：每次重新打开终端后，都需要先激活虚拟环境才能继续操作。你可以在~/.bashrc文件末尾添加source /path/to/yolov5_env/bin/activate来自动激活。

2. 安装PyTorch和必要依赖

YOLOv5的核心依赖是PyTorch框架。根据我的经验，直接使用pip安装官方预编译版本是最稳定的方式。这里我们选择PyTorch 1.7.1和对应的torchvision版本：

pip install torch==1.7.1+cpu torchvision==0.8.2+cpu torchaudio==0.7.2 -f https://download.pytorch.org/whl/torch_stable.html

如果你有NVIDIA显卡并想使用GPU加速，需要先安装CUDA驱动，然后安装GPU版本的PyTorch：

pip install torch==1.7.1+cu110 torchvision==0.8.2+cu110 torchaudio==0.7.2 -f https://download.pytorch.org/whl/torch_stable.html

安装完成后，可以运行以下命令验证PyTorch是否安装成功：

python -c "import torch; print(torch.__version__); print(torch.cuda.is_available())"

3. 获取YOLOv5源代码和配置环境

现在我们可以克隆YOLOv5的官方仓库了。我建议在用户目录下创建一个专门的项目文件夹：

mkdir ~/yolov5_project && cd ~/yolov5_project git clone https://github.com/ultralytics/yolov5.git cd yolov5

安装项目依赖时，你可能会遇到PATH警告。这是常见问题，解决方法是将用户本地bin目录加入PATH：

echo 'export PATH=$HOME/.local/bin:$PATH' >> ~/.bashrc source ~/.bashrc

然后安装requirements.txt中列出的所有依赖：

pip install -r requirements.txt

如果遇到"ModuleNotFoundError: No module named 'skbuild'"错误，这是缺少scikit-build导致的：

pip install scikit-build

4. 数据准备和模型训练

YOLOv5支持多种训练方式。对于初学者，我建议先从官方提供的小型数据集开始。这里我们使用COCO128数据集：

python train.py --img 640 --batch 16 --epochs 5 --data coco128.yaml --cfg yolov5s.yaml --weights ''

训练过程中有几个关键参数需要注意：

• --img：输入图像尺寸，越大精度可能越高但显存占用也越大
• --batch：批处理大小，根据显存调整
• --epochs：训练轮数，5轮只是演示，实际项目通常需要50-300轮

训练完成后，模型权重会保存在runs/train/exp/weights/目录下。best.pt是验证集上表现最好的模型，last.pt是最后一个epoch的模型。

5. 使用训练好的模型进行目标检测

现在我们可以用训练好的模型进行推理了。YOLOv5支持多种输入源：

• 单张图片
• 图片目录
• 视频文件
• 摄像头实时流

测试单张图片：

python detect.py --source data/images/bus.jpg --weights runs/train/exp/weights/best.pt --conf 0.4

测试整个目录下的图片：

python detect.py --source inference/images/ --weights runs/train/exp/weights/best.pt --conf 0.25

对于没有GPU的环境，记得加上--device cpu参数：

python detect.py --source 0 --weights runs/train/exp/weights/best.pt --conf 0.4 --device cpu

6. 常见问题排查与优化建议

在实际部署过程中，我遇到过几个典型问题，这里分享解决方案：

CUDA内存不足错误：减小--img-size和--batch-size参数值，或者在train.py中设置--multi-scale开启多尺度训练。

训练过程突然中断：检查系统日志dmesg，可能是OOM Killer终止了进程。可以尝试添加交换空间：

sudo fallocate -l 4G /swapfile sudo chmod 600 /swapfile sudo mkswap /swapfile sudo swapon /swapfile

检测结果不理想：尝试以下优化方法：

1. 增加训练数据量
2. 调整anchor box尺寸
3. 增加训练轮数
4. 使用更大的模型（如yolov5m.yaml或yolov5l.yaml）

对于生产环境部署，我建议将模型导出为ONNX格式：

python export.py --weights runs/train/exp/weights/best.pt --img 640 --batch 1

7. 进阶技巧与性能优化

当熟悉基础流程后，可以尝试以下进阶操作：

使用TensorBoard监控训练：

tensorboard --logdir runs/train

自定义数据集训练：

1. 按照YOLO格式准备数据集
2. 创建data/custom.yaml配置文件
3. 修改模型参数（可选）
4. 开始训练：

python train.py --img 640 --batch 16 --epochs 50 --data data/custom.yaml --cfg models/yolov5s.yaml --weights ''

模型剪枝与量化：

python export.py --weights runs/train/exp/weights/best.pt --include onnx --img 640 --batch 1 --dynamic --simplify

多GPU训练：

python -m torch.distributed.launch --nproc_per_node 2 train.py --img 640 --batch 64 --epochs 50 --data coco128.yaml --cfg yolov5s.yaml --weights '' --device 0,1

我在实际项目中发现，合理调整超参数可以显著提升模型性能。建议重点关注学习率（--lr）、权重衰减（--weight-decay）和数据增强参数（--hsv-h, --hsv-s, --hsv-v）。