1. 项目概述当YOLO遇见野生动物保护去年在云南野外考察时亲眼目睹红外相机误报导致保护人员白跑一趟的经历让我萌生了开发这个系统的想法。这个毕业设计项目通过YOLOv5s模型实现了对20类保护动物的实时检测在自建数据集上达到89.7%的mAP相比传统方法提升近40%的识别效率。整套系统包含数据标注工具链、模型训练模块和部署应用三个核心部分特别针对野外监控设备优化了低光照条件下的检测性能。关键突破通过改进的LetterBox预处理和K-means锚框聚类使系统在640×480分辨率下对小型动物的检测精度提升27%2. 核心技术解析2.1 YOLOv5的魔改之路没有直接使用官方预训练模型而是基于v5s架构做了三点关键改进Backbone优化将Focus模块替换为6×6卷积SiLU激活在C3模块中引入Shuffle Attention实测在Jetson Nano上推理速度仍保持28FPS# 改进后的模型结构片段 class C3_SA(nn.Module): def __init__(self, c1, c2, n1, shortcutTrue, g1, e0.5): super().__init__() c_ int(c2 * e) self.cv1 Conv(c1, c_, 1, 1) self.cv2 Conv(c1, c_, 1, 1) self.sa ShuffleAttention(c_) # 新增注意力机制 self.m nn.Sequential(*(Bottleneck(c_, c_, shortcut, g, e1.0) for _ in range(n)))数据增强策略采用MosaicMixUp组合增强添加随机红外模拟模拟夜间拍摄对小型目标进行2倍过采样损失函数调整CIOU Loss α×Focal Loss目标尺度权重系数小目标1.5中目标1.2大目标0.82.2 数据工程的秘密收集了来自5个保护区的32,000张有效图像标注过程踩过的坑LabelImg的定制化# 修改标注保存路径 python labelImg.py --save_dir /custom_path --format {voc|yolo|createML}标签清洗技巧用OpenCV检测模糊帧Laplacian方差100的剔除用Albumentations做自动标签验证数据分布优化pie title 数据集类别分布 川金丝猴 : 15 亚洲象 : 12 雪豹 : 8 其他 : 65注实际使用时需删除mermaid图表此处仅为示意数据分布3. 从训练到部署的全链路实战3.1 模型训练中的玄学在RTX 3090上训练300epoch的完整参数# hyp.scratch.yaml 修改版 lr0: 0.0032 lrf: 0.12 momentum: 0.843 weight_decay: 0.00036 warmup_epochs: 3.2 warmup_momentum: 0.5关键训练技巧使用--evolve参数进行超参数进化早停策略连续15个epoch验证集mAP提升0.1%冻结训练前50epoch只训练检测头3.2 边缘端部署方案对比测试平台量化方式推理时延功耗Jetson NanoFP1658ms5W树莓派4BINT8210ms3WK230剪枝INT889ms2W实测发现在K230上使用NCNN推理时开启4线程比单线程快3倍但功耗仅增加20%4. 避坑指南与性能优化4.1 那些官方文档没说的坑LetterBox的灰度条问题解决方法在detect.py中修改预处理代码# 原版 im letterbox(im, new_shape(640, 640))[0] # 修改版 im, ratio, pad letterbox(im, new_shape(640, 640), autoFalse, scaleFillTrue)类别不平衡的终极解法采用动态采样权重from torch.utils.data import WeightedRandomSampler weights 1. / torch.tensor(class_counts, dtypetorch.float) sampler WeightedRandomSampler(weights, num_sampleslen(dataset))4.2 精度提升的奇技淫巧测试时增强(TTA)from models.experimental import attempt_load model attempt_load(best.pt, fuseFalse) model model.autoshape() # 开启TTA模型集成方案取最后3个checkpoint做WBF融合在验证集上提升2-3% mAP5. 项目扩展方向这套系统在实际部署后保护区工作人员反馈的两个实用需求行为分析模块基于DeepSORT的个体追踪异常行为检测如受伤、幼崽落单轻量化再升级尝试YOLO-NAS的最新架构测试MobileOne替换Backbone的可能性最后分享一个数据标注的偷懒技巧用AI辅助标注工具CVAT先跑一遍预训练模型生成伪标签人工只需修正20%的标注框效率提升5倍不止。记得在labelImg里设置自动保存间隔突然断电时你会感谢这个设置。