企业官网建设流程全解析

简介：基于YOLOv5的交通标志牌识别项目，采用TT100K数据集，代码经测试可正常运行，适合毕业设计、课程设计、课程大作业等场景，尤其面向计算机相关专业的学生或从业者，适用技能从入门到进阶。压缩包结构清晰，文件总数达一百四十七份，体积约一点一兆，其中包含五十余个用Python编写的源代码文件，以及大量yaml格式的配置与标注文件，同时提供Shell脚本、markdown说明文档、Jupyter演示和Docker镜像支持，覆盖数据处理、模型配置、训练验证与容器化部署等完整流程，方便按需查找和使用。目前已有三百五十二人学习，可直接下载用于实战练习，无论是初次接触目标检测的小白，还是需要完成课程作业或毕设展示的同学，都具有较高借鉴价值。从代码结构来看，模块划分合理，支持修改参数并迁移到其他检测任务；配合项目说明文档，可帮助理解YOLOv5在交通标志场景下的数据加载、训练与推理流程，也可作为课设或毕设的完整基础框架，能显著节省环境准备与代码调试时间。

1. 基于yolov5的交通标志牌识别：这份源码包到底能跑出什么

做过毕设或课设的人都知道，yolov5到今天依然是目标检测领域最容易落地、教程最多、踩坑资料最全的一条路线。这份资源把官方yolov5仓库和TT100K交通标志数据集打包在一起，形成一个「开箱即跑」的交通标志牌识别项目：训练代码、推理代码、数据转换逻辑、项目说明都齐了，你拿到手不是去读一篇空泛的原理文章，而是直接能把一个检测模型从数据准备跑到权重导出。它能解决的是那种「论文写得出来、代码跑不起来」的尴尬——适合计算机相关专业学生做毕业设计、课程设计，也适合刚入门目标检测的开发者拿真实数据集练手。TT100K里全是中国的交通标志，标志小、背景杂、类别多，拿来练手比用COCO更贴近实际场景，也更有说服力。

2. 跑通项目之前：环境、目录与第一次推理

2.1 环境版本：python、torch、CUDA 怎么配对不翻车

先确认一件事：yolov5对版本组合比较敏感，不是「最新版一定最好」。这个项目目录里保留了官方仓库大量历史文件，按文件结构判断，项目骨架对应的是 yolov5 v6.0 之后的版本，这套版本对 python 3.8/3.9/3.10 支持最好，torch 1.10 到 2.x 都能跑。我的建议是不要追新，直接按官方 requirements.txt 锁版本。

先创建一个干净的虚拟环境，避免把系统python搞乱：

conda create -n yolov5 python=3.9 conda activate yolov5 cd 项目根目录 pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

这段命令的用意是：用 conda 单独建一个 python 3.9 环境，再把项目依赖一次性装进去。后面那个-i参数是国内镜像源，如果你网络环境访问 PyPI 快，可以去掉。注意不要在 base 环境里直接装，yolov5 依赖的 torch、opencv、matplotlib 版本和其他项目经常打架，隔离环境是省时间的第一个习惯。

接下来是 CUDA 的问题。如果你有 N 卡，先看显卡驱支持的最高 CUDA 版本，再决定装哪个 torch：

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

nvidia-smi右上角会显示驱动支持的 CUDA 版本，比如 12.1，那你就装配套的 torch。常见组合是 CUDA 11.8 配 torch 1.13.1，或者 CUDA 12.1 配 torch 2.1.0。如果torch.cuda.is_available()返回 False，说明 torch 是 CPU 版，需要重装 CUDA 版。这一步是新手最容易卡住的地方，后面的所有步骤都依赖这个检测结果，值得花五分钟确认。

2.2 项目目录拆解：train.cache、CITATION.cff、Dockerfile 各自干什么

打开 zip 包，你会发现根目录下有不少一眼看不懂的文件。这些不是冗余，是 yolov5 官方仓库的标准配置，只是大部分教程不会逐个讲。

重点说 train.cache。yolov5 在第一次训练时会扫描你配置的图片路径和对应标签，并生成.cache文件，后面每次启动都通过它快速加载数据，不用重新扫一遍。这个文件看起来不起眼，但它是训练环节里报错率最高的文件之一，后面避坑章节会专门讲。

2.3 第一次推理：用预训练权重把检测器跑起来

在动训练之前，先跑一次推理确认环境没问题。即使没有训练好的模型，也可以用官方 COCO 预训练权重试跑：

python detect.py --weights yolov5s.pt --source data/images --conf-thres 0.25 --iou-thres 0.45 --device 0

解释一下参数：--weights指定模型权重文件，yolov5s.pt是官方 smallest 版本，首次运行会自动下载；--source可以传图片路径、视频路径甚至摄像头设备号，这里指向项目自带的示例图；--conf-thres是置信度阈值，低于 0.25 的检测框会被丢弃，这个值越大误检越少但漏检越多；--iou-thres是 NMS 的 IoU 阈值，控制重叠框的合并力度。--device 0表示用第一张 GPU，如果没有 GPU 就改成--device cpu。

跑完去runs/detect目录下看结果图。能看到检测框和类别标签，说明环境装好了、推理链路通了。这一步的意义是先把「能不能跑」和「跑得对不对」分开：环境问题在推理阶段就能暴露，不用等训练跑一半才报错。如果你打算用自己的图片测试，把--source指向一个文件夹即可，检测器会自动遍历目录下所有支持的图片格式。

3. TT100K 数据准备：从 JSON 标注到 yolov5 能吃的格式

3.1 TT100K 标注格式与 yolov5 的差异

TT100K 数据集的官方标注是 JSON 格式，每个图片对应一个对象，里面包含若干个objects，每个 object 里有category字段和bbox字段。bbox 给出的是绝对像素坐标的 xmin、ymin、xmax、ymax。而 yolov5 需要的标签是纯文本格式，每行一个目标，五个数字依次是类别编号、归一化后的中心点 x、中心点 y、宽度、高度。

这两个格式之间隔着三层差异：第一，JSON 变 txt；第二，绝对像素坐标变 0~1 归一化坐标；第三，类别名称变类别编号。yolov5 自己带的voc_label.py只能处理 VOC 数据集，对 TT100K 不适用，需要自己写转换脚本。这也是这个资源里最值钱的部分——很多人卡在数据格式转换上，花的时间比训练还多。

类别映射尤其要注意。TT100K 官方标注包含 221 个类别，但绝大多数项目不会用全量训练，因为很多类别样本极少，训练出来也学不好。常见做法是选出现频率最高的几十个类别，或者按你毕设课题需求挑一部分。无论用多少类，都要生成一个固定的类别名单，转换时按名单把字符串类别映射成数字编号。

3.2 转换脚本：JSON 转 YOLO 格式的具体实现

下面这个脚本是我按 TT100K 官方 JSON 结构写的转换逻辑，可以直接改路径使用。核心思路是遍历 annotation.json 里的每个图片，取标注框，做坐标换算，再写到对应 txt 里。

import json import os from pathlib import Path def convert_tt100k(json_path, image_root, label_root, class_names): os.makedirs(label_root, exist_ok=True) class_to_id = {name: idx for idx, name in enumerate(class_names)} with open(json_path, 'r', encoding='utf-8') as f: data = json.load(f) for img_name, ann in data['imgs'].items(): img_h = ann['size']['height'] img_w = ann['size']['width'] if img_h == 0 or img_w == 0: continue txt_path = Path(label_root) / (Path(img_name).stem + '.txt') lines = [] for obj in ann['objects']: cat = obj['category'] if cat not in class_to_id: continue bbox = obj['bbox'] xmin = float(bbox['xmin']) ymin = float(bbox['ymin']) xmax = float(bbox['xmax']) ymax = float(bbox['ymax']) x_center = (xmin + xmax) / 2.0 / img_w y_center = (ymin + ymax) / 2.0 / img_h width = (xmax - xmin) / img_w height = (ymax - ymin) / img_h x_center = min(max(x_center, 0.0), 1.0) y_center = min(max(y_center, 0.0), 1.0) width = min(max(width, 0.0), 1.0) height = min(max(height, 0.0), 1.0) lines.append(f"{class_to_id[cat]} {x_center:.6f} {y_center:.6f} {width:.6f} {height:.6f}") if lines: txt_path.write_text('\n'.join(lines), encoding='utf-8') print(f"已转换 {img_name}: {len(lines)} 个目标") if __name__ == '__main__': class_names = ['i5', 'p10', 'p30', 'pl50', 'i4'] # 示例类别，按实际替换 convert_tt100k( json_path='TT100K/annotations/annotation.json', image_root='TT100K/data', label_root='TT100K/labels', class_names=class_names )

这段代码的关键点有三个。第一，坐标归一化必须在除以图片宽高之前算出中心点和宽高，顺序反了结果就错了。第二，clip 操作很重要——TT100K 里有些标注框略微越界，不处理的话训练时 yolov5 会报警告甚至直接忽略标签。第三，类别不在你的名单里时直接跳过，这比报错退出更实用，因为你大概率只选部分类别训练。

跑完脚本后，检查一下 labels 目录下 txt 文件的数量和格式，随机打开几个看一眼。我一般会用下面这段命令快速校验标签和图片是否一一对应：

find labels/train -name "*.txt" | wc -l find images/train -name "*.jpg" | wc -l

两个数量应该一致，如果差很多，多半是某些图片没有标注框，或者转换脚本里图片名匹配逻辑有问题。

3.3 数据集划分与 data.yaml 配置

TT100K 官方把数据分成 train 和 test 两个集合，但注意它的 test 集是带标注的，很多人直接拿 test 当验证集用。严格来说应该从 train 里再切一部分做验证，这样才能真正反映泛化能力。下面是我常用的划分方式：

mkdir -p tt100k/images/train tt100k/images/val tt100k/labels/train tt100k/labels/val # 从 train 图片中随机抽 15% 作为验证集 ls tt100k/images/train | shuf -n 915 | while read f; do mv tt100k/images/train/$f tt100k/images/val/$f mv tt100k/labels/train/${f%.jpg}.txt tt100k/labels/val/${f%.jpg}.txt done

注意shuf是随机打乱，每次执行结果不一样，所以想复现实验结果的话，建议先用shuf -n 915 --random-source=<(seq 100)这种方式固定随机源，或者直接记录一下哪些图片被分到了验证集，免得后面训练结果对不上。

接下来是 yolov5 的数据配置文件，新建一个tt100k.yaml：

train: /绝对路径/tt100k/images/train val: /绝对路径/tt100k/images/val nc: 5 names: ['i5', 'p10', 'p30', 'pl50', 'i4']

nc必须和你转换脚本里的class_names长度一致，names的顺序也必须一致，否则训练出来的类别标签就全乱了。这里的names顺序决定了模型的输出索引，和转换脚本里的class_to_id映射是绑定的，改一处就要同步改另一处。

4. 训练与评估：命令、超参与日志判读

4.1 训练启动与关键超参

数据准备好之后就可以开始训练了。我建议用预训练权重做迁移学习，而不是从零训练——yolov5 的骨干网络已经在 COCO 上学到了通用的特征，迁移到交通标志识别上不仅收敛快，最终精度也更高。

python train.py --data tt100k.yaml --weights yolov5s.pt --epochs 100 --batch-size 32 --imgsz 640 --device 0

常用参数说明：

这里有个细节：yolov5 训练时会自动检测你数据集的类别数，如果和预训练权重的 80 类不同，它会自动调整输出层。所以你不需要手动改网络结构，但要注意训练日志里会打印Model Summary，确认输出的类别数和你 yaml 里配置的一致。

关于 batch-size，有个经验值：显存 8G 用--imgsz 640时 batch-size 建议 16 到 32；显存不够优先降 batch-size，不要动 imgsz，因为 imgsz 直接影响小目标检测效果，后面避坑章节会细说。

4.2 训练日志与指标怎么读

训练开始后，终端会打印每轮的结果，包含 P、R、mAP50、mAP50-95 和三类 loss。很多新手只看 mAP50，这是不对的。mAP50 只反映框和类别在宽松 IoU 阈值下的匹配率，mAP50-95 才是更严格的指标，它从 0.5 到 0.95 取十个阈值平均，能综合反映框的定位精度。

loss 有三个部分：box_loss 是定位损失，obj_loss 是置信度损失，cls_loss 是分类损失。这三个 loss 在训练前期快速下降是正常的，如果后期出现验证集 loss 反弹上升，而训练集 loss 还在下降，就是过拟合信号，这时候应该提前停或加数据增强。

每个 epoch 结束，runs/train/exp目录下会生成results.png，这个图把 loss 曲线和 mAP 曲线都画在一起了。我判断训练是否结束的方法是看 mAP50-95 曲线：连续 30 轮增长幅度小于 0.5%，就可以停了，再加轮数纯粹浪费时间。

4.3 模型评估与导出

训练结束后，先用验证集做个正式评估，别只看训练日志：

python val.py --data tt100k.yaml --weights runs/train/exp/weights/best.pt --imgsz 640

best.pt是验证集上 mAP 最高的权重，last.pt是最后一轮的权重。评估完成后，把模型导出成 ONNX，方便后续部署：

python export.py --weights runs/train/exp/weights/best.pt --include onnx --imgsz 640

导出后会生成.onnx文件，这个格式可以用 OpenCV 的dnn模块直接加载推理，不依赖 pytorch 环境，部署的时候非常方便。导出的 ONNX 只是权重和网络结构，输入输出张量格式是固定的，所以导出前想清楚推理时用什么输入尺寸，导出来再改尺寸就要重新导了。

5. 避坑指南：TT100K 训练与推理常见的六个坑

5.1 train.cache 加载失败或路径报错

现象：训练启动时提示Cache not found，或者报train.cache文件损坏、无法读取。

原因：train.cache 是首次扫描数据集时生成的索引，如果你移动了图片或标签的路径，旧的 cache 文件还在，yolov5 读取时发现路径不存在就会报错。

解决：删掉tt100k/images/train和tt100k/images/val目录下的.cache文件再重新训练。也可以给训练命令加参数禁用 cache：

python train.py --data tt100k.yaml --weights yolov5s.pt --no-cache

从那以后我每次做数据增删都会先删 cache 再训练，省得莫名其妙地报错。

5.2 类别数不一致导致训练崩溃或指标异常

现象：训练日志显示nc为 80，但你的数据只有 5 类，或者模型训练完预测出来的全是同一个类别。

原因：当--weights指定了预训练权重时，yolov5 会检测权重里的类别数。如果数据 yaml 的nc和权重不匹配，有时它能自动调整，有时会静默地用错误的输出层，尤其当你用了旧版本或修改过模型文件时。

解决：训练前确认数据 yaml 的nc和names，修改模型配置时用官方提供的参数，不要手动改 yaml 模型结构文件。转换脚本里用class_to_id映射时，检查生成 txt 的类别编号最大值是否小于nc。常见做法是写一行快速校验命令：

awk '{print $1}' tt100k/labels/train/*.txt | sort -n | uniq -c

看到的最大编号必须小于等于nc，否则你的类别映射写错了。

5.3 小目标漏检严重，mAP50 高但 mAP50-95 很低

现象：模型在验证集上 mAP50 有 0.8 以上，但 mAP50-95 只有 0.3，预测时远处的交通标志总是检测不到。

原因：TT100K 里的交通标志在整图中占比很小，尤其远距离标志只有十几像素。yolov5 默认的 640 输入尺寸会把小目标压缩得更小，导致特征不明显。

解决：把--imgsz提到 960 或 1280，代价是显存占用和训练时间增加。我实测过，同一个数据集 640 提到 960，mAP50-95 能涨 8 到 12 个点。如果显存不够，可以改用--imgsz 1280加批次 8，再加上--cache把图片预加载到内存加速。

5.4 显存不足，训练直接 OOM 崩溃

现象：启动训练后几秒内报CUDA out of memory。

原因：batch-size 或 imgsz 太大，占满了显存。很多人把所有参数设成教程里的默认值，但默认值是按 24G 显存配的。

解决：把--batch-size降到 8 或 4，--imgsz降到 640，确认能跑通后再逐步加大。yolov5 默认会自动调 batch-size，但手动指定更可控。顺便说一句，如果你开了--cache，内存不足也可能报这个错，关掉--cache试试。

5.5 标签归一化越界或为空

现象：训练时打印WARNING: image ... labels shape ...，或某张图完全没有标签参与训练。

原因：转换脚本中某些异常框导致宽高或中心点超出 [0,1] 范围，被 yolov5 过滤掉了。

解决：转换时做 clip 已经把越界框压回边界，但如果出现负数或者宽高为零，要检查原始 JSON 数据。TT100K 有些标注框尺寸为零或为负，直接把这几个目标跳过就行，别让它们拖垮整个训练。

5.6 CPU 训练太慢，一天跑不了多少轮

现象：--device cpu训练时一个 epoch 要跑三四十分钟，完全没有耐心等。

原因：yolov5 默认按 GPU 显存自动调整 worker 数和批大小，CPU 上这些设置不生效，训练速度完全靠单核算力。

解决：用--device cpu时加上--workers 0试试，有些环境多进程反而拖慢速度；或者放弃训练，直接用预训练权重做特征提取和推理。如果没有 GPU，其实更适合用这个项目的推理链路做检测，训练可以放到云上 GPU 服务器跑，花几十块钱比本地难受一整天划算。

6. 把模型用起来：推理阈值、NMS 后处理与结果导出

模型训练好之后，真正落地是推理这一步。detect.py 里有两个参数决定检测效果：--conf-thres和--iou-thres。conf-thres是置信度门限，交通标志场景下我一般设 0.2 到 0.3，因为标志小、特征弱，调太高容易漏检；iou-thres控制 NMS 合并，默认 0.45 够用，但如果你在同一区域同时检测到多个重叠标志，可以降到 0.3 减少误合并。

python detect.py --weights runs/train/exp/weights/best.pt --source test_images --conf-thres 0.25 --iou-thres 0.45 --imgsz 960 --save-txt --save-conf

--save-txt会把检测结果保存成 txt，每行格式是类别编号 x1 y1 x2 y2 置信度，方便后续做数据分析或计算指标；--save-conf把置信度一并写入。--project和--name可以改输出目录，比如--name exp_test避免覆盖之前的推理结果。

大图推理有一个实用技巧：TT100K 原图分辨率高，直接把整图塞进模型效果不好，常见做法是先用普通的前景分割或滑动窗口截出小图，再对小图做检测。如果不想写滑动窗口，也可以把--imgsz设高再用测试集跑一遍对比 mAP。我自己在测一个路侧场景时，就是用 1280 输入把之前漏掉的小标志全找回来的。

这套东西我前后改了三次数据划分才把验证集做稳，第一次连 labels 映射写错都没发现，模型训练出来全是同一个类别。从那以后我每次拿到新数据集，都强制先跑完转换脚本和标签校验，再进训练流程。这次把整个过程整理出来，也是给自己留个可复现的记录，希望帮到你。

本文还有配套的精品资源，点击获取