企业官网建设流程全解析

简介：这是一套基于Python与Shell语言实现的YOLOv5花卉识别模型源码，专为计算机视觉入门者及深度学习开发者设计，解决花卉种类自动识别问题，可直接用于目标检测教学或实际分类场景。压缩包共102个文件，大小仅1.19MB，其中包含40个YAML配置、32个Python源文件、5个Shell脚本、11个YAML模板，以及Dockerfile、Jupyter Notebook等辅助内容；配置与脚本分别承担数据集参数定义、模型训练推理和自动化流程管理，结构清晰便于快速上手。已有371人学习下载。通过源码可掌握YOLOv5从环境搭建、数据配置到训练与推理的完整链路，理解PyTorch实现细节，并借助Shell脚本简化批处理与部署操作，适合作为毕业设计、竞赛或学习深度学习目标检测的参考工程。

1. 这个 YOLOv5 花卉识别项目，到底解决什么问题

带“基于 Python 与 Shell 语言的 yolov5 花卉识别模型设计源码”这个标题的项目，拆开看其实就两件事：用 Python 驱动 YOLOv5 完成训练和推理，用 Shell 脚本把环境检查、数据准备、训练入口和批量识别这些“脏活”串成一条不用反复手敲的流水线。花卉识别本身不是新问题，难点在于很多花卉形态接近、拍摄背景杂乱，模型容易把“绣球”和“菊花”混在一起，所以项目真正考验的不是会调用 detect.py，而是怎么把数据集、超参数和部署链路调到一个能稳定复现的效果。适合谁？想自己从零训练一个能用的花卉检测模型的学生、做园林植物数字化采集的工程师，以及需要快速给已有检测系统换“新物种”的算法岗同事。一个反直觉的结论先说在前面：换一版更干净的花卉标注数据，往往比重选一个更大的预训练模型带来的提升更明显。

2. 准备数据集：一朵花一个标签，比换预训练模型更管用

花卉识别模型的精度上限在数据标注阶段就被定死了。YOLOv5 自己带的 COCO 预训练权重不认识“月季”和“蔷薇”的区别，微调时能把相似类别分到多细，取决于你的标注里有没有把“同类花在不同光照、不同角度”的样子都框进去。我一般会在动手训练前把数据集准备当成一个独立工程来推进，而不是随手丢一批图片进训练脚本。

2.1 花卉图片从哪来：自采、公开花卉集与标注规范

三个来源按成本排序：公开花卉数据集只用下载解压，但类别分布和标注框质量不可控；网图爬取覆盖广，但清洗成本高到让你怀疑人生；团队或自己拍摄是质量最可控的，缺点是样本量天然受限。常见做法是“公开集打底 + 自采补缺口”，把公开集里容易混淆的类挑出来重点看，再针对你实际部署场景补拍。

标注规范比标注工具更要先定清楚。我给花卉项目定的边界是：一朵独立完整的花算一个目标，花苞和半开状态如果紧贴主花就并入同一框，不单独标；一簇花在画面里能明显分辨出单朵时逐朵标，分辨不出时按整簇标一个框。这个规则直接决定了模型学到的“花”的语义粒度，宁可少标不要错框，错框比漏标更伤模型。

数据目录按 YOLOv5 约定组织，之后训练参数可以少改两处：

datasets/ └── flower/ ├── images/ │ ├── train/ # 训练集图片，.jpg │ └── val/ # 验证集图片，.jpg └── labels/ ├── train/ # 与图片同名的 .txt 标签 └── val/

Shell 命令在这一步就能派上用场：用find统计图片数量、检查图片与标签是否一一对应，比在 Python 里写一堆 IO 逻辑来得更快，这也是标题里 Shell 语言最常见的落点。

2.2 把 VOC 或 JSON 标注转成 YOLO 格式：转换脚本与参数说明

YOLOv5 的标签格式是每张图片对应一个同名.txt，每一行是class x_center y_center width height，四个坐标全部归一化到 0～1。公开花卉数据集里很大一部分是 VOC 格式的 XML 标注，不转换直接用，train.py 大概率读不到标签。

import xml.etree.ElementTree as ET import os def voc_to_yolo(xml_path, out_label_path, class_list): tree = ET.parse(xml_path) root = tree.getroot() img_w = int(root.find("size/width").text) img_h = int(root.find("size/height").text) lines = [] for obj in root.findall("object"): name = obj.find("name").text if name not in class_list: continue cls_id = class_list.index(name) box = obj.find("bndbox") x_min = float(box.find("xmin").text) y_min = float(box.find("ymin").text) x_max = float(box.find("xmax").text) y_max = float(box.find("ymax").text) x_center = (x_min + x_max) / 2.0 / img_w y_center = (y_min + y_max) / 2.0 / img_h w = (x_max - x_min) / img_w h = (y_max - y_min) / img_h lines.append(f"{cls_id} {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f}") with open(out_label_path, "w", encoding="utf-8") as f: f.write("\n".join(lines)) if __name__ == "__main__": classes = ["daisy", "dandelion", "rose", "sunflower", "tulip"] xml_dir = "annotations/" out_dir = "labels/" os.makedirs(out_dir, exist_ok=True) for xml_name in os.listdir(xml_dir): if not xml_name.endswith(".xml"): continue stem = xml_name.replace(".xml", "") voc_to_yolo(os.path.join(xml_dir, xml_name), os.path.join(out_dir, stem + ".txt"), classes)

这段脚本的逻辑核心是先取原图宽高，再把绝对坐标换算成归一化坐标。参数说明里有两个关键点：classes的列表顺序就是训练时类别 id 的顺序，中途增删类别会导致已有训练权重分类头失效，必须重新训练；坐标保留 6 位小数在大多数场景下够用，但如果你做的是密集小目标花卉检测，建议保留到 8 位，减少归一化误差累加。

2.3 train/val 划分：用固定随机种子保证可复现

花卉数据里常见一个坑：按文件顺序前 80% 做 train、后 20% 做 val，结果某一种花全在验证集里，训练时模型根本没学过这一类。我习惯按类别做分层划分，保证每个类别在 train 和 val 里的比例一致。

import os import random from collections import defaultdict random.seed(42) # 固定随机种子，划分结果可复现 label_dir = "labels/train_val_all/" train_out = "train.txt" val_out = "val.txt" val_ratio = 0.2 class_to_files = defaultdict(list) for label_name in os.listdir(label_dir): if not label_name.endswith(".txt"): continue label_path = os.path.join(label_dir, label_name) with open(label_path, "r") as f: first_line = f.readline().strip() if not first_line: continue cls_id = first_line.split()[0] class_to_files[cls_id].append(label_name.replace(".txt", "")) # 图片文件名（不含后缀） train_lines, val_lines = [], [] for cls_id, stems in class_to_files.items(): random.shuffle(stems) split_idx = int(len(stems) * (1 - val_ratio)) for stem in stems[:split_idx]: train_lines.append(f"/absolute/path/to/images/{stem}.jpg") for stem in stems[split_idx:]: val_lines.append(f"/absolute/path/to/images/{stem}.jpg") with open(train_out, "w") as f: f.write("\n".join(train_lines)) with open(val_out, "w") as f: f.write("\n".join(val_lines))

这段代码的关键不是随机本身，而是“按类别”这三个字。class_to_files把同属一个类别的样本聚在一起，再各自按比例切分，从机制上避免了某一类整组失踪。训练时在 data 配置文件的train和val字段填这两个 txt 的路径即可。val_ratio对小型花卉数据集按 0.2 起步；如果总样本量不到 500 张，建议用 0.15，给训练多留一点数据。

3. 用 Python 和 Shell 把训练链路搭起来

数据集就位后，下一步是把 YOLOv5 的训练调用、超参传递和环境准备串成一条命令。这一步是 Shell 语言在项目里的核心价值：它不是一个“可选装饰”，而是把训练从“一行命令”变成“一套可复用的流程”。

3.1 环境与依赖：Python 版本先定住，torch 按设备选

YOLOv5 对 Python 版本的要求并不苛刻，但如果你环境里同时有 3.7 和 3.12，建议用虚拟环境固定在 3.8～3.10 之间，这个区间对着 torch 的官方兼容表基本无坑。安装依赖的基本原则是分两步：先装 torch 系列，再装 requirements.txt 里的其余包。顺序反了可能出现 numpy 版本冲突，因为 torch 的预编译包自带 numpy 约束，后装的 numpy 可能被强制回退。

python -m venv .venv source .venv/bin/activate pip install --upgrade pip # 先装 torch 和 torchvision，版本以你的 CUDA 版本为准 pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118 pip install -r yolov5/requirements.txt

参数说明里有两点要讲透：--index-url指向 pytorch 官方 wheel 源，是为了让 torch 和 torchvision 的版本与 CUDA 库精确匹配，不要用默认 PyPI 源装 torch，装出来的多半是 CPU 版或版本错配。如果你没有独立显卡，去掉--index-url让 pip 安装 CPU 版 torch 反而更小更快，训练慢一点但不至于跑不起来。这一步和“python 安装 numpy 库”等热搜词关联的场景都在这里，解决的是同一个问题：环境装不对，后面全白搭。

3.2 训练参数怎么定：花卉场景下的超参数基线

YOLOv5 的train.py参数很多，但花卉识别这个任务真正要调的只有四五个。我给出一个经过验证的起点组合，再讲每个参数背后的道理。

--imgsz 640是一个值得较真的点：如果你的花卉图片里单朵花占画面比例很小，模型学的是“花丛”而不是“花”；这种情况下把--imgsz提到 960，或者对图片做滑窗切块再训练，效果往往比加大模型深度更直接。超参数调整的原则是小步试：先固定其他参数，只动--imgsz或--batch-size一个变量，否则多个变量同时变化时你根本不知道是哪个改动起的作用。

3.3 Shell 入口脚本：一条命令完成环境检查与启动训练

直接敲python train.py --data ...的问题在于：换一台机器、隔一个月回来跑，你可能忘了该激活哪个环境、数据集软链接有没有建好。把这些检查写进 Shell 脚本，训练就从“碰运气”变成“走流程”。

#!/bin/bash # run_train.sh set -e # 任何一步失败立即退出，避免带着错误往下跑 SCRIPT_DIR="$(cd "$(dirname "${BASH_SOURCE[0]}")" && pwd)" cd "$SCRIPT_DIR" # 1. 激活虚拟环境（常见做法：脚本里显式指定 python 路径更稳） VENV_PATH="$SCRIPT_DIR/.venv/bin/python" if [ ! -x "$VENV_PATH" ]; then echo "[ERROR] 虚拟环境不存在，请先执行环境安装步骤" exit 1 fi # 2. 数据集软链接：存在且指向有效才继续 DATA_LINK="datasets/flower" if [ ! -d "$DATA_LINK/images/train" ]; then echo "[ERROR] 数据集目录不完整，检查 $DATA_LINK" exit 1 fi # 3. 启动训练，日志同时输出到终端和文件 $VENV_PATH train.py \ --data data/flowers.yaml \ --weights yolov5s.pt \ --img 640 \ --batch 16 \ --epochs 100 \ --patience 50 \ 2>&1 | tee train_$(date +%Y%m%d_%H%M).log echo "[INFO] 训练结束，日志已保存"

脚本里两个容易被新手忽略的设计：set -e保证脚本在任何一步失败时立刻终止，否则数据集路径写错时脚本会一路空跑；BASH_SOURCE[0]让脚本可以在任意目录下被调用，自动切到脚本所在目录，避免“在别处执行时找不到相对路径”的经典问题。tee把训练输出同时送到终端和日志文件，后台跑长训练时随时可以tail -f看进度。这一步就是 Shell 语言在项目里不可替代的位置：它不是语言层面的炫技，而是把 Python 训练变成可审计、可重跑的流程。

4. 避坑：数据与 Shell 阶段最常见的翻车现场

这个项目最耗时间的往往不在训练本身，而是数据路径、标注格式和 Shell 环境这三类问题反复出现。下面五条是从实际踩坑里沉淀出来的，每条按“现象 → 原因 → 解决”展开。

4.1 训练时提示“No labels found in ...”

现象：训练脚本明明启动了，但前几个 epoch 的 box 损失不降，日志里还出现找不到标签的警告。

原因：最常见的是 labels 目录下的.txt文件名和 images 目录下的.jpg文件名不对应；其次是标签文件内容为空，YOLOv5 会跳过空标签。

解决：用一段短 Shell 命令做交叉核对，比肉眼挨个看快得多：

cd datasets/flower for img in images/train/*.jpg; do base=$(basename "$img" .jpg) if [ ! -f "labels/train/$base.txt" ]; then echo "缺少标签: $base" fi done

这段脚本遍历每张训练图片，检查同名标签是否存在，只输出缺失项。跑完再统计空标签：find labels/train -name "*.txt" -size 0，把空文件找出来重新标注或删除图片，两个动作做完再重启训练。

4.2 Shell 脚本在 Windows 上写好，传到 Linux 上就报错

现象：run_train.sh执行时报$'\r': command not found，或者脚本不按预期换行执行。

原因：Windows 编辑器默认用 CRLF（\r\n）换行，Linux 只认 LF；多出来的\r被当成命令的一部分。

解决：用sed批量转换，一行命令永久解决：

sed -i 's/\r$//' run_train.sh

这个命令把行尾的\r替换为空，-i直接写回原文件。之后在 Windows 上继续编辑，建议在编辑器里把行尾格式固定为 LF，否则每次传文件都要重复这步。

4.3 训练时 CUDA out of memory

现象：--batch 16在 8G 显存的显卡上报 OOM，弹出一大段 PyTorch 的显存栈信息。

原因：花卉数据里常有大尺寸图片，--imgsz 640时模型输入不是瓶颈，瓶颈在 batch 过大导致激活值缓存撑爆显存；也有可能是--workers 4的预加载把内存占满后间接拖慢显存释放。

解决：优先把 batch 降到 8 或 4，不是降--imgsz。显存不够的本质是数据并行太多，降 batch 是保精度最温和的手段；如果 batch 降到 2 还是不够，再考虑--imgsz 416起步。另一种方案是启用梯度累积，但 YOLOv5 的--nbs参数用来模拟更大的 batch，不是人人清楚，我一般建议小显存用户直接降 batch 更省心。

4.4 自定义数据集类别数没改，训练后全部分类到 COCO 类别

现象：模型训练完成，验证时预测框的位置全对，但类别标签全是人、车、狗等 COCO 类别。

原因：data/flowers.yaml里的nc（类别数）还写着 80，或者没写names列表。YOLOv5 加载自定义数据时如果nc不是 80，会自动重建分类头；但如果你沿用默认的coco128.yaml改了个文件名，忘记改nc和names，模型就会用 COCO 的语义去分类。

解决：检查数据配置文件里的三处字段：nc必须与你的花卉类别数一致；names按训练时的类别顺序列出来；train和val指向实际数据集路径。改完删掉runs/train/下的旧实验目录再重启训练，避免加载到缓存里的旧配置。

4.5 远程训练断连，训练进度没保存

现象：用 SSH 在服务器上启动训练，本地网络断开后远程进程被终止，前几十个 epoch 白跑。

原因：没有用后台会话工具，进程随 SSH 会话退出而被系统清理。

解决：让训练跑在screen或tmux会话里，断开重连后继续看日志。下面是用tmux挂训练的最简做法：

tmux new -s train_session bash run_train.sh # 按 Ctrl+b 再按 d 脱离会话，SSH 断开也不影响 # 重连后执行：tmux attach -t train_session

养成开训练就先进 tmux 的习惯后，网络波动基本不再影响实验进度。

5. 部署与验证：从 pt 模型到 Shell 批量推理

训练产出的best.pt只代表“模型在验证集上表现不错”，离真正能拿去识别一文件夹照片还有两步：模型格式转换和批量推理封装。这一章把这两步走完，你就拥有了一个可以脱离训练环境独立工作的花卉识别工具链。

5.1 导出模型：pt 转 ONNX 的参数取舍

需要转换格式的原因很简单：best.pt只能在 PyTorch 环境下跑，而实际部署目标往往是 RK 系列板子、昇腾设备或纯 CPU 服务器，这些环境不一定装得下 PyTorch，但普遍能跑 ONNX。我在嵌入式设备上做花卉识别时常用到rk3568这类平台，转换链路的起点都是 ONNX。

python export.py \ --weights runs/train/exp/weights/best.pt \ --include onnx \ --imgsz 640 \ --batch 1 \ --opset 12 \ --simplify

参数里值得说明的是--opset 12：这个算子集版本在 RKNN 和 OpenVINO 工具链里兼容性较好。--simplify会调用 onnx-simplifier 做图优化，去掉冗余节点，对嵌入式部署的推理速度有明显帮助。--batch 1是固定动态批次的坑：如果你想导出后支持动态输入尺寸，需要加--dynamic；但嵌入端推理我建议固定--imgsz 640，动态尺寸在 RKNN 转换时反而容易出问题。

5.2 Shell 批量推理：for 循环调用 detect 并整理结果

部署场景里最常见的诉求不是单张图片，而是“把这个目录下两百张花卉照片全部识别并把结果汇总成一张表”。这时候 Shell 的 for 循环配合 Python 推理脚本，正好发挥各自的长处。

#!/bin/bash # run_batch_infer.sh INPUT_DIR="$1" OUTPUT_DIR="results_$(date +%Y%m%d)" mkdir -p "$OUTPUT_DIR" for img in "$INPUT_DIR"/*.jpg; do base=$(basename "$img" .jpg) python detect.py \ --weights best.pt \ --source "$img" \ --project "$OUTPUT_DIR" \ --name "$base" \ --exist-ok \ --conf-thres 0.4 \ --iou-thres 0.45 \ --save-txt \ --save-conf done echo "[INFO] 推理完成，结果目录: $OUTPUT_DIR"

这个脚本的逻辑是逐张调用 detect.py 并把结果独立保存到以图片名命名的子目录里。为什么不用--source 整个目录一次跑完？因为单张调用时如果某一张图格式损坏，后面的图还能继续跑；一次跑整个目录时一张坏图会中断整个批次，排错成本高。--save-txt会输出每个检测框的类别、坐标和置信度，--save-conf把置信度写进 txt 而不是只画在图上，之后做指标统计直接解析 txt 即可。

5.3 后处理参数：置信度阈值和 NMS 阈值在花卉场景怎么调

“yolov5 后处理”在花卉识别里主要是两个阈值，参数含义不同，调整方向也不同。

调阈值的血泪经验是：先看 mAP 再调 conf。mAP 高但实际场景误检多，说明验证集和部署场景分布有偏移，单纯调高 conf 治标不治本；mAP 本身就低，调阈值救不回来，得回炉训练。iou-thres在目标密集场景更值得花时间，花卉比一般物体更常见重叠遮挡，可以把 0.4、0.45、0.5 三档各跑一遍同一批测试图，用肉眼数一下漏检和重复框的数量再定。

6. 进阶：用一次多折验证和混淆矩阵确认模型真的能落地

训练完一个模型，最容易产生的错觉是“验证集 mAP 到 0.9，项目稳了”。实际部署时你会发现，验证集图片和训练集出自同一批数据分布，模型记住场景的能力比想象中强得多。我现在的习惯是：不管训练效果多好，都要额外做两件验证——多折交叉验证和野外新环境测试。

多折验证的做法是把数据分成 5 折，轮流用 4 折训练、1 折验证，最后把 5 次验证结果平均。这个操作在你的数据集规模只有几百张时尤其关键，它能暴露“模型只是记住了训练集里某个拍摄场景”的隐患，还能顺便给出一个更诚实的精度区间——比如 5 折的 mAP50 分别是 0.87、0.83、0.79、0.85、0.81，你就能知道浮动范围，而不是只盯着一次实验里的 0.87。

混淆矩阵是另一个不可替代的视角。跑一次python val.py --data data/flowers.yaml --weights best.pt --conf-thres 0.4 --iou-thres 0.45 --save-conf，然后去看runs/val/exp/confusion_matrix.png这张图。重点不是看对角线上的数字，而是找哪些类互相串：菊花和向日葵串，说明两者花盘形态相似；绣球和丁香串，说明模型在学“一团花的整体形状”而不是“花瓣纹理”。看到哪两类串，就去数据里补哪两类的边界样本，这个方向的收益比继续加 epochs 大得多。

最后一件事：真正拿到现场拍摄的一张新花照片，让它走进一个没在训练集里出现过的背景。花卉项目最常见的翻车就是训练集全是纯色背景的标本照，部署到花园里背景变成草地和栅栏，模型精度断崖式下降。我现在做花卉项目收尾前，都会强制自己留 20 张“野外照片”做冒烟测试，这 20 张不参与训练、不参与验证，只在最后推理时跑一遍，肉眼确认每朵花的框位和类别。

这套“多折验证 + 混淆矩阵 + 新场景冒烟测试”的组合，能在模型交付前把大多数隐性坑提前翻出来。我曾经在一个灌木花卉项目里为了赶进度跳过了多折验证，结果模型在第二周新采集的数据上 mAP 掉了将近 10 个点，从那次之后我就坚持所有模型上线前至少跑两折验证，这类翻车只值一次学费。希望这些流程和坑位能帮你把这个方向的模型做得更稳一点，也希望你的花卉识别项目不只在训练集上好看，而是在真实花园里也能认得出每一朵花。

本文还有配套的精品资源，点击获取