备注
1.采用模型：yolov5
-
社区使用最广，教程、代码和预训练模型非常多。
-
基于 PyTorch，安装和上手都很方便。
-
适合做入门项目和快速实验。
2.数据集：https://public.roboflow.com/object-detection/mask-wearing/4（选v5+torch会把配置文件一并给你）口罩数据集
3.解释器：python3.10
4.虚拟环境：anaconda3
前期准备
1.必要准备
准备pycharm和anaconda3，并具有创建pychon3.10以上环境的能力
2.环境搭建
（1）准备一个空文件夹，有git可以直接git clone，没有就下载zip再解压。https://github.com/ultralytics/yolov5
（2）用pycharm打开这个文件夹，创建和激活虚拟环境，
conda create -n yolov5 python=3.10 -y
conda activate yolov5
如果前面搞坏了就删了重新创建。
conda deactivate
conda remove -n yolov5 --all -y
路径前面有这个括号虚拟环境的名称就进入成功了，可以pip list看看是不是初始的几个简单的包
3.依赖下载
在虚拟环境下
pip install -r requirements.txt
等待依赖下载完成
有nvidia显卡可以另外下载CUDA和对应版本的pytorch来让GPU参与训练。当前默认是CPU训练（比较慢）
4.快速自检
python detect.py --weights weights/yolov5s.pt --source data/images/bus.jpg --img 640
看看runs/detect/exp/有无输出，有则ok，否则检查前面的问题。
操作过程
1.下载和解压数据集
在网站上下载对应的数据集并解压，已经配好了的。
yolov5/
├─ datasets/ # 数据集文件夹
│ └─ mask/ # 其中一份数据集
│ ├─ train/
│ │ ├─ images/ # 训练集图片
│ │ └─ labels/ # 训练集标签(txt)
│ ├─ val/
│ │ ├─ images/ # 验证集图片
│ │ └─ labels/ # 验证集标签(txt)
│ └─ test/ # 可选
│ ├─ images/
│ └─ labels/
先将下载好的数据集文件夹名改一个比较简单的，防止格式有误。比如原名->Mask Wearing Dataset
因为YOLOv5 默认用 val/ 作为验证集，所以把 valid 改名为 val
在yolov5/下增加一个配置文件mask.yaml
train: datasets/Mask Wearing Dataset/train/images
val: datasets/Mask Wearing Dataset/val/images
test: datasets/Mask Wearing Dataset/test/imagesnc: 3
names: ['with_mask', 'without_mask', 'mask_weared_incorrect']# ⚠ 注意：names 的顺序要和数据集标签里的类别一致（Roboflow 的 mask 数据集一般就是这 3 类）
2.开始训练
yolov5/下运行
python train.py --img 640 --batch 8 --epochs 50 --data mask.yaml --weights yolov5s.pt 即开始训练（没什么意外的话），其实用CPU的话不用管batch，epoch第一次练可以先设为5，看看整个流程能不能跑完，后面再加
参数详解
--img 640
- 指定训练时输入图片的大小（这里是
640x640）。 - YOLOv5 会把你的图片 resize 到这个尺寸再训练。
- 常见取值：
416、640、1280。 - 越大，精度可能更高，但训练速度和显存占用都会增加。
--batch 16
- 批次大小（batch size），每次训练送入 GPU 的图片数量。
- 取值受限于显存：
- 显存 4GB：
--batch 8 - 显存 8GB：
--batch 16 - 显存 12GB+：
--batch 32
- 显存 4GB：
- 如果显存不足，会报 CUDA out of memory 错误，那就改小点。
--epochs 50
- 训练总轮数。
- 每个 epoch = 训练集完整走一遍。
- 一般从
50~100起步，根据数据量大小调节。 - 数据少可以少点，多的话就多点（100–300 都可以）。
3.训练结束
结束后，提供了一些过程性和结果性的内容文件
runs/train/exp/
├─ weights/
│ ├─ best.pt # 验证集表现最好
│ └─ last.pt # 最后一轮
├─ results.png # 精度曲线图
├─ confusion_matrix.png
└─ opt.yaml # 参数配置记录（1）模型文件（训练成果的核心）
训练完成后，YOLOv5 会在 runs/train/exp/ 目录下保存结果：
weights/last.pt—— 训练最后一轮的模型权重weights/best.pt—— 在验证集上表现最好的模型权重（一般用这个做推理）
👉 这两个文件就是“训练成果”，后续推理、部署都用 best.pt。
（2）训练过程记录（日志 + 图表）
在 runs/train/exp/ 目录下还会有很多文件，比如：
-
results.png包含了 loss 曲线、mAP 曲线、precision/recall 变化趋势。
- 你可以直观地看出模型是否收敛、有没有过拟合。
-
confusion_matrix.png
类别之间预测的混淆矩阵，可以看出模型在哪些类别上容易混淆。 -
labels.jpg
展示了训练集标注框的分布情况。 -
train_batch0.jpg,train_batch1.jpg
随机挑选的训练图片+标注，可检查数据是否正确加载。
（3）查看验证结果
在训练最后，会输出类似这样的指标：
Class Images Instances P R mAP50 mAP50-95
all 100 300 0.912 0.878 0.901 0.754
with_mask 40 120 0.935 0.910 0.925 0.800
without_mask 30 100 0.890 0.850 0.880 0.720
mask_weared 30 80 0.910 0.870 0.900 0.740
- P = Precision（查准率）
- R = Recall（查全率）
- mAP@0.5 = mAP 在 IoU=0.5 时的平均精度
- mAP@0.5:0.95 = 更严格的指标，越高说明模型泛化更好
4.推理测试
测试用例：自备的一张或多张众人戴口罩的图片，最好是一张图中有些人有戴有些人没戴的，上网下载即可。
在yolov5/data/images/下新建一个文件夹，用来装本次测试图片
单张图片检测：
python detect.py --weights runs/train/exp/weights/best.pt --img 640 --conf 0.25 --source data/images/maskers/test1.jpg
多图检测：
python detect.py --weights runs/train/exp/weights/best.pt --img 640 --conf 0.25 --source data/images/
如果是视频文件：
python detect.py --weights runs/train/exp/weights/best.pt --source test.mp4
如果用摄像头实时检测：
python detect.py --weights runs/train/exp/weights/best.pt --source 0
参数说明：
--weights：你训练好的模型（推荐用best.pt，last.pt就是最后一次训练的结果模型）--img 640：输入图片大小（要和训练时一致），不输入也可以，默认就是一致的--conf 0.25：预测框的置信度阈值--source：图片所在目录，也可以是单张图片路径
运行完成后，结果会自动保存在：runs/detect/exp/
后日谈
1.增量训练
已经训练好了一个口罩检测模型，如果以后想继续训练，有两种常见方式：
重新从头训练（fresh training）
- 把
train.py再跑一遍，指定同样的--data mask.yaml、--weights yolov5s.pt（或者换更大的 YOLOv5m/l/x）。 - 这样会完全忽略之前的训练成果，从头开始。
- 适合 你有全新的数据集（比如换了任务、数据分布完全不同）。
增量训练 / 继续训练（resume training）
YOLOv5 支持从已有的 checkpoint 接着训练，相当于“增量训练”。
✅ 方法一：resume
如果你只是想从上次的中断继续：
python train.py --resume
默认会从 runs/train/exp/weights/last.pt 接着训练。
✅ 方法二：指定权重文件
如果你有新的数据，想在之前训练好的模型上微调，可以指定权重：
python train.py --img 640 --batch 16 --epochs 50 --data mask.yaml --weights runs/train/exp/weights/best.pt
区别：
--weights yolov5s.pt👉 从官方 COCO 预训练模型开始（更通用）--weights best.pt👉 从你自己训练好的口罩模型继续训练（更快收敛，适合新增数据）
迁移学习（transfer learning）
- 如果你以后换任务（比如要做安全帽检测、手机检测），也可以把
best.pt当作起点：
python train.py --data helmet.yaml --weights runs/train/exp/weights/best.pt --epochs 100
- YOLO 会自动把检测头替换成新任务的类别数（比如
nc=1只检测“安全帽”）。 - 这种做法通常比从头训练快得多，而且准确率更高。
快速上手暂且如此，实际上需要根据项目需求做出一些改变。