简介基于YOLOv5的行人检测训练权重与3000张多行人数据集打包面向需要快速落地街道、公路等场景行人识别任务的算法工程师与研究者。权重基于万余张行人图像训练检测准确率达到90%以上类别精简为person并附带各阶段训练曲线图便于直观评估模型收敛情况。包内共2000个文件以jpg图像、txt标注文件为主体其中包含3000张多行人图像并提供VOC与YOLO两种标签格式另有pt权重文件、Python脚本、yaml配置及说明文档分别用于模型加载、二次训练与工程部署。压缩包大小约378.52MB目录结构按数据集、标注、权重与工具脚本分区便于直接迁移使用或继续微调。目前已有6309人浏览学习适合具备一定YOLO基础、希望省去数据标注与重复训练时间的开发者参考。1. 这包东西解决什么问题一份能直接落地的行人检测权重与数据YOLOv5行人检测训练权重3000行人数据集这个组合的最大价值不是“能检出人”而是“已经针对行人场景收敛过”。直接拿通用 COCO 权重跑监控画面通常会把路牌、车尾、树影都带出来误检率能到 10% 以上这份权重的类别只留了一个 person配合配套数据集做微调误检和漏检都更可控。适合三类人急着在安防或工地上跑通行人计数 demo 的人、手里只有少量业务私有数据但不想从头训练的人、以及想在 RK3568 这类边缘设备上落地部署的工程师。看懂这份权重怎么来、怎么用、怎么扩展比跑出一个框更重要。2. 6.0 权重的人与数据绑定结构、规模与权重自检2.1 6.0 的结构和后处理为什么适配行人这种目标YOLOv5-6.0 在结构上是一个很稳的版本主干用 CSPDarknet53颈部用 SPPF 加 PANet检测头在 P3、P4、P5 三层输出。网上很多结构图画得五花八门不少还停留在早期 Focus 层时代实际 6.0 里主干已经把 Focus 换成了普通 6x6 卷积对显存和推理速度都更友好。行人检测恰恰吃这套结构行人通常只占画面的一小块远处的人可能只有 32 像素高小目标依赖的是 P3 这一层的高分辨率特征图PANet 把浅层纹理和深层语义融合到一起竖长目标才能被稳住。后处理是第二关键点。YOLOv5 的后处理看起来就两个动作——按置信度阈值过滤、按 NMS IoU 阈值去重但参数对行人场景的影响极大。行人密集时两个框叠在一起很常见IoU 阈值给大了会出现一个行人两个框给小了两个人贴在一起变成一条框。常见做法是先把置信度放到 0.35 看一轮结果再根据画面里重叠框的密度微调 IoU人群越密取越低。行人还有一个特征是宽高比集中。一个成年人检测框的宽高比大概在 0.3 到 0.5 之间COCO 上学出来的默认 anchor 也能用但如果你打算自己训一版用聚类重算 anchor 往往比默认值更跟手。这些判断做完再去看这份权重本身心里就有底了。2.2 3000 张数据集在这个方案里处于什么水平3000 张行人图像按每张平均 3 到 5 个行人算大概对应 1 到 1.5 万个标注实例这个规模做单类行人微调完全够用但前提是走迁移学习而不是 from scratch。有预训练权重做初始化时3000 张数据训 100 轮就能让 mAP 稳定如果从头随机初始化同样 3000 张很容易过拟合或者卡在 0.3 的 mAP 上不去。如果这份 zip 里的 3000 张来自公开行人数据集和你自己业务画面的光照、视角、摄像头高度可能有差距。我一般会在此基础上再补 200 到 500 张自己环境的图做一次短 finetune把“通用行人”拉向“我的行人”。如果是做无人小车、锥桶识别这类相近场景套路完全一致只换数据集和 nc。常见做法是拿 COCO 预训练权重做初始化。最近像 DEIM 这类新方案提供了更强的 COCO 预训练权重迁移到 YOLOv5 时只加载 shape 匹配的层nc 从 80 改成 1 之后最后两层检测头的权重形状对不上会被自动丢弃。明白这一点就不会在加载权重时被一堆 shape 警告吓到backbone 才是迁移学习的重点。2.3 别急着跑训练先看权重里存了什么拿到 zip 第一步不是解压跑训练是先看权重文件里记录的类别数和 anchor 配置这决定了你后续所有命令参数怎么写。unzip -l yolov5-6.0-person_detect.zip | head -40先用unzip -l列出压缩包内容不落地也能确认里面有没有 weights 目录、数据集目录、以及有没有 README。看到结构后再决定解压方式避免把一堆无关文件解出来。import torch ckpt torch.load(weights/yolov5s_person.pt, map_locationcpu) model ckpt[model] print(keys:, ckpt.keys()) print(class names:, model.names) print(class count:, model.nc) det model.model[-1] print(anchors:, det.anchors)这段脚本用 CPU 直接把 pt 文件读进来不依赖 GPU。model.names打印类别名如果显示[person]说明这份权重确实是单类行人权重model.nc是类别数训练配置里 nc 必须和它一致。det.anchors打印检测头里实际用的 anchor 尺寸如果锚框和常见 COCO 默认值不一致说明作者做过重聚类。注意训练时 weights 参数传这份权重data 配置里 nc 也必须是 1。nc 不匹配时 YOLOv5 会静默跳过检测头层的加载训练能跑但收敛会很慢。3. 本地跑通推理解压、环境、最小命令与画框验证3.1 解压与依赖先把运行环境焊死YOLOv5-6.0 的依赖不算苛刻。我通常会先建一个干净的 Python 环境Python 用 3.8 到 3.10 之间比较省事torch 装 CPU 或 CUDA 版看机器。如果只做推理CPU 版也能跑只是慢一些要训练还是建议 CUDA。unzip yolov5-6.0-person_detect.zip -d person_detect_ws cd person_detect_ws python -m venv venv source venv/bin/activate pip install -r requirements.txt解压后先看 requirements.txt 里的版本约束。6.0 时代的依赖整体不挑新版但我个人习惯把 torch 固定在 1.12 到 1.13 之间配 CUDA 11.6 最稳新版 torch 和旧代码偶尔会出现算子兼容问题。如果是 40 系显卡以上只能用新版 CUDA优先确保 torchvision 和 torch 版本配对否则加载权重时会直接崩在导入阶段。3.2 最小推理一条 detect.py 命令跑通官方 detect.py 是最不容易出错的入口它会帮你处理 letterbox 缩放、颜色通道转换、NMS 后处理和画框先跑通它再折腾自己的脚本。python detect.py \ --weights weights/yolov5s_person.pt \ --source data/images/test.jpg \ --conf-thres 0.35 \ --iou-thres 0.45 \ --save-txt \ --project runs/detect--source可以指向单张图片、一个目录或一个视频文件--save-txt会把每个框的class x_center y_center w h写到 txt 文件里方便你核对坐标。--conf-thres 0.35是置信度门槛背景杂的监控画面建议 0.4 以上干净街道 0.25 也能跑。--iou-thres 0.45是 NMS 的 IoU 阈值如果画面里行人密集先改成 0.35 看效果。如果跑完没有任何输出不要急着调阈值先看控制台打印的耗时信息——如果显示0 persons说明权重有在跑只是全被阈值过滤了如果连这个统计都没有基本是模型加载或依赖问题。3.3 画框验证用小脚本看坐标是否合理detect.py 的输出图在runs/detect/exp/下面但很多场景下我们不想看图片想直接拿坐标接业务逻辑。这时可以写一个十几行的脚本把推理结果里的框坐标读出来。import torch import cv2 model torch.hub.load(./yolov5-6.0, custom, pathweights/yolov5s_person.pt, sourcelocal) model.conf 0.35 model.iou 0.45 img cv2.imread(data/images/test.jpg) img_rgb cv2.cvtColor(img, cv2.COLOR_BGR2RGB) res model(img_rgb, size640) res.print() boxes res.xyxy[0].detach().cpu().numpy() for x1, y1, x2, y2, conf, cls in boxes: cv2.rectangle(img, (int(x1), int(y1)), (int(x2), int(y2)), (0, 255, 0), 2) cv2.putText(img, fperson {conf:.2f}, (int(x1), int(y1) - 4), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 1) cv2.imwrite(output.jpg, img) print(fdetected {len(boxes)} persons)这里用sourcelocal指定本地 YOLOv5 源码目录避免 torch.hub 每次去联网拉最新仓库。res.xyxy[0]是 NMS 后第一张图片的检测结果格式为x1 y1 x2 y2 confidence class_id已经是像素坐标可以直接用于画框或业务计算。需要留意的是颜色通道。OpenCV 读进来的图是 BGR而 YOLOv5 训练时用的是 RGB先转成 RGB 再喂给模型否则同一个权重在不同图片上会莫名丢框——这是新手最容易忽略的事。4. 用 3000 张数据集微调目录整理、训练命令与日志判读4.1 数据集组织YOLO 标签格式与目录对位YOLOv5 训练时对数据集的目录组织要求很死板。图片和标签必须同名标签放在对应的 labels 目录下训练集和验证集要分开否则训练脚本会静默跳过找不到标签的图片。datasets/person/ ├── images/ │ ├── train/ # 约 2400 张 │ └── val/ # 约 600 张 └── labels/ ├── train/ # 与 images/train 同名 txt └── val/建议先用命令核对一下图片和标签数量是不是对齐的空标签文件也要查出来。find datasets/person/images/train -name *.jpg | wc -l find datasets/person/labels/train -name *.txt | wc -l find datasets/person/labels/train -name *.txt -size 0 | head如果两边数量对不上说明有图片没有标签训练时会自动跳过数据有效量缩水mAP 上不去往往就是这个原因。标签文件里每行是一个目标格式是class_id x_center y_center width height坐标值都已经归一化到 0 到 10 0.5123 0.4876 0.2932 0.7621这里的 class_id 必须是 0因为我们要训的是单类。如果这份 3000 张数据集是从 VOC 或 COCO 转出来的原行人标签 id 可能不是 0需要先重编号。4.2 数据集配置person.yaml 与锚框的选择YOLOv5 通过 yaml 文件描述数据集路径和类别数。把以下内容保存为person.yaml放在项目根目录或 datasets 同级均可。# person.yaml train: datasets/person/images/train val: datasets/person/images/val nc: 1 names: [person]路径建议写相对路径以你执行 train.py 时的目录为基准。写绝对路径也能跑但换机器就要改相对路径在工程协作里更省事。train 和 val 都指向 images 目录而非 labels 目录YOLOv5 会自动找同名 txt这个不要写错。anchor 方面我建议不要一上来就手动改。YOLOv5 训练脚本自带 autoanchor 模块启动训练时会评估默认 anchor 和当前数据集的契合度如果 k-means 聚类结果和默认锚框差距太大会自动重新计算。所以你只需要保证数据集正确anchor 交给训练前的自动检查。注意如果训练日志里出现autoanchor: 重新计算 anchors的提示这是正常行为不要中断。除非你对原理很清楚否则手动改 anchor 很容易把检测头搞崩。4.3 训练命令从 3000 张数据集微调出行人权重环境没问题、数据集整理好后微调命令非常短。关键是 weights 参数传这份 3000 张对应训练出来的行人权重还是传 COCO 原版权重二者起点不同结果会有明显差异。python train.py \ --data person.yaml \ --weights weights/yolov5s_person.pt \ --epochs 100 \ --batch-size 16 \ --imgsz 640 \ --workers 4 \ --cache \ --project runs/train_person--weights指向这份行人权重时模型已经在行人特征上收敛过一轮微调只需让模型适应你当前数据集的分布。--epochs 100对 3000 张单类数据集够用一般到第 60 轮到第 80 轮 mAP 就基本平了可以提前停。--batch-size 16在 16GB 显存下比较稳妥显存小降到 8显存大提到 32 会让训练更快但最终精度不会有数量级差别。--cache建议开着它把图片提前加载进内存能省掉每轮 epoch 的磁盘 IO 时间。如果你的数据集不在 SSD 上这个参数带来的提速非常明显代价是占用内存3000 张 640 分辨率的图大概吃掉 4 到 6GB 内存。--imgsz 640是训练输入尺寸如果你的业务里远处行人很多可以改成 960精度会涨一点但显存和训练时间同步上升。4.4 训练过程中看什么loss、mAP 与可视化图训练开始后终端会滚动打印每个 batch 的 loss 值。box_loss 和 obj_loss 从 0.05 量级往下掉是正常的如果一开始就在 0.01 附近说明权重初始化有问题或标签没被正确加载。每轮 epoch 结束时还会打印 P、R、mAP50 和 mAP50-95这几个指标比 loss 更值得盯。训练目录runs/train_person/exp/下会生成train_batch*.jpg和val_batch*.jpg。前者是输入模型的图片和标注框可视化刚启动训练时看一眼如果框画的位置和行人不吻合立即 CtrlC 去修标签别等训完再返工。后者是模型在验证集上的预测结果能直观看出哪些场景漏检、哪些背景误检。mAP50 到 0.85 以上基本就意味着这份权重可以拿去部署了。mAP50-95 会低一些0.5 到 0.7 都属于正常范围这个指标对小目标更严格不要因为它低就去怀疑训练配置。5. 行人检测权重从训练到部署的避坑记录5 个典型翻车现场与解法5.1 训练正常但验证几乎无框标签编号与目录对位现象训练 loss 能正常下降但跑 detect.py 时一个框都没有或者 val 的 mAP 是 0。原因最常见的是验证集目录下有图片但标签没放进去或者 txt 文件和 jpg 文件名不完全一致。另一个隐蔽原因是数据集转换时行人类别 id 不是 0比如从其他格式转出来行人的 id 是 2小于 nc 时不会报错但模型被教成去检测不存在的类别推理时永远无输出。解决训练前先跑一次数量核对再用脚本强制把类别 id 重写成 0。import glob for txt in glob.glob(datasets/person/labels/train/*.txt): lines [] for line in open(txt): parts line.strip().split() if not parts: continue lines.append(0 .join(parts[1:])) open(txt, w).write(\n.join(lines))脚本会把每行第一个字段强制改成 0保留后面的坐标四个值。改完重新训练前随便挑一张图用 detect.py 验证确认有框输出再继续。5.2 远处行人漏检不是模型不行是输入分辨率不够现象行人走到镜头前两三米内能检出来远处的人完全没反应。原因输入 640 分辨率下一个 32 像素高的行人映射到 P3 特征图只剩几个像素检测头很难同时保证分类和定位。行人数据集里如果远距离样本占比不高模型天然倾向于只学近距离特征。解决把推理和训练的--imgsz一起提到 960或者对画面做分块推理。还有一个常见路径是把图像切成 2x2 的小图分别过模型再合并结果等于在不改模型的前提下把等效分辨率翻倍。代价是推理时间增加边缘设备上要评估是否可接受。6.0 也提供了 P6 模型结构输入 1232 分辨率本质是多加一层特征金字塔对远目标更友好但显存占用和训练时间都要重新估。5.3 人群场景双框与框融合NMS 参数的后处理取舍现象一个人身上出现两个框或者两个紧贴的人被框成一条。原因YOLOv5 后处理先按置信度过滤再 NMS。置信度阈值太低会让多个候选框同时存活而 NMS 的 IoU 阈值设得偏高重叠框没被合并掉。反过来阈值太低紧贴行人的两个框 IoU 超了就被融成一个。解决没有通解只能按场景调。我一般在密集人群场景先用--conf-thres 0.4 --iou-thres 0.35跑一轮看双框多还是漏框多。双框多就降 IoU漏框多就降置信度。NMS 是这整套方案里最像黑匣子的地方参数血泪经验就是每次只改一个参数别同时动两个。5.4 同一份权重在不同版本里推理结果不一致导出参数没固定现象在 YOLOv5-6.0 仓库里训好的权重换到新版 YOLOv5 代码加载检测框的坐标和置信度发生了变化。原因版本迁移会涉及 anchor 格式和后处理实现差异尤其当你把 pt 导出成 ONNX 后不同 torch 版本默认的 opset 不同输出节点名也不一样部署代码按旧索引取输出就会取错。解决如果你有部署需求训练完直接导 ONNX导出时固定 opset 版本。这也是我踩过一次的坑教训是导出参数一经确定就不要在多个环境反复改。python export.py \ --weights runs/train_person/exp/weights/best.pt \ --include onnx \ --opset 12opset 12 是 YOLOv5 官方验证过的稳定版本后续部署端按这个版本写取输出逻辑不要用默认的 opset 17。5.5 上板RK3568/树莓派速度上不去别忘了 INT8 量化现象本地 GPU 跑 30 FPS 的权重部署到 RK3568 或树莓派 4B 之后掉到 3 FPS 以下。原因pt 权重是 FP32 动态图边缘设备既没有 CUDA也没有 NPU 直接支持的算子。树莓派 4B 上跑纯 CPU 推理就是慢这是算力天花板。解决先导出 ONNX再转 RKNNRK3568 用 rknn-toolkit2配合 INT8 量化。如果部署在树莓派上建议转 ncnn 格式比在 PyTorch 里跑快不少。INT8 量化时校准集拿 200 到 500 张行人图就行不一定要标注但要能代表真实场景的光照和角度。量化后 mAP 掉 1 到 3 个点是正常范围如果掉得更多优先检查校准集是不是和业务场景差异太大。树莓派 5 上部署自己训练的 YOLOv5流程和树莓派 4B 没有本质区别算力更强但对算子兼容性和后处理的坑一样不少。6. 验证权重的最后一段路用 PR 曲线评分用底边中点做轨迹训练完不要只拿 detect.py 看一眼效果就收工换一张没见过的验证集跑一轮完整评估数据比肉眼更可靠。val.py 默认的置信度阈值是 0.25这个值会截断 PR 曲线的低置信度段导致 mAP 虚高或虚低。评估时要把置信度调得很低让模型把所有候选框都吐出来才能画出完整的 PR 曲线。阶段命令入口关键参数快速验证detect.pyconf 0.35, iou 0.45指标评估val.pyconf 0.001, iou 0.6部署导出export.pyopset 12, int8python val.py \ --data person.yaml \ --weights runs/train_person/exp/weights/best.pt \ --conf-thres 0.001 \ --iou-thres 0.6把置信度降到 0.001 是为了让模型几乎不做过滤把所有可能框都纳入统计PR 曲线才能反映出模型真实的召回上限。这个习惯帮我发现过不少“肉眼看很准、实际 mAP 不高”的权重。真正看曲线比看单个 mAP 数字更有用曲线右下角收得越靠右上模型越健康。最后分享一个做安防项目攒下来的小技巧。行人检测做完之后接轨迹跟踪或越线统计时不要把框的中心点当作行人位置——行人被遮挡时中心点会大幅度漂移。取检测框底边中点作为行人的落脚点投影稳定性高很多。# 取底边中点作为行人落地投影点 bottom_x (x1 x2) / 2 bottom_y y2这个点的物理含义是行人和地面接触的位置越线判断、拥挤度统计、人流热力图都基于它做误差远小于中心点。如果行人被完全遮挡导致底边消失配合卡尔曼滤波用上一帧的底边点做预测能撑过绝大多数遮挡场景。我以前在工地项目里全是直接用框中心点画轨迹被围挡遮挡的工人轨迹画得满屏乱飞换成底边中点之后整套逻辑都稳了。这套方案从权重、数据到部署链路都是通的3000 张单类数据集配微调足够应付多数行人检测业务希望帮到你。本文还有配套的精品资源点击获取