tb_yolo 下篇用于制作最终上车模型：自己采集目标板数据，在 Windows 上训练 YOLOv5，导出 ONNX，转换为 ncnn 的 param/bin，部署到久久派实测。
采集真实目标板数据 -> 标注 -> 训练 -> 导出 ONNX -> 转换 ncnn -> 久久派实测 -> 补数据再训练
下篇默认你已经按 docs/01_demo_test_flow.md 跑通过测试数据集和 example/yolo_ncnn_app 部署链路。
在 tb_yolo 下建立：
raw_dataset/
images/
labels/
采集图片放入：
raw_dataset/images/
标注文件放入：
raw_dataset/labels/
raw_dataset/ 已加入 .gitignore，不会误提交到仓库。
真实目标板数据要覆盖：
近距离、中距离、远距离
正视、左偏、右偏、俯仰角变化
强光、弱光、背光、阴影
运动模糊、轻微失焦
赛道背景干扰
目标板边缘不完整
不同车速下的画面
不要只采集正面、清晰、居中的目标板。数据越接近实车场景，部署后越稳定。
建议稳定命名：
0001.jpg
0002.jpg
0003.jpg
或带场景前缀：
left_far_0001.jpg
backlight_0001.jpg
blur_0001.jpg
标签文件必须与图片同名，仅后缀改为 .txt。
LabelImg执行：
PS E:\SmartCar\loongson_2k300_lib\tb_yolo> labelimg
如果命令不存在，先安装依赖：
PS E:\SmartCar\loongson_2k300_lib\tb_yolo> powershell -ExecutionPolicy Bypass -File .\scripts\setup_env_windows.ps1
LabelImg 设置在 LabelImg 中设置：
标注格式切换为 YOLO
Open Dir 选择 raw_dataset/images
Change Save Dir 选择 raw_dataset/labels
常用快捷键：
W 创建矩形框
A 上一张
D 下一张
Ctrl+S 保存
YOLO 标签格式：
class_id center_x center_y width height
要求：
每张图片必须有同名 .txt
没有目标的背景图可以保留空 .txt
class_id 从 0 开始
坐标必须是 0-1 归一化值
LabelImg 生成的：
raw_dataset/labels/classes.txt
必须与项目类别文件一致：
configs/target_board.names
类别顺序一旦确定，不要随意交换。训练、标签、ncnn 推理代码中的类别数组必须同序。
执行：
PS E:\SmartCar\loongson_2k300_lib\tb_yolo> notepad .\configs\target_board.names
按比赛目标板类别填写，每行一个类别，例如：
left
right
straight
stop
slow
实际类别名称以你的目标板设计和策略代码为准。
yaml执行：
PS E:\SmartCar\loongson_2k300_lib\tb_yolo> python .\scripts\update_yaml_from_names.py
检查：
configs/target_board.yaml
其中 names 数量和顺序必须与 target_board.names 一致。
执行：
PS E:\SmartCar\loongson_2k300_lib\tb_yolo> python .\scripts\split_dataset.py --images .\raw_dataset\images --labels .\raw_dataset\labels --out .\dataset --val-ratio 0.2 --copy --clean
参数含义：
| 参数 | 说明 |
|---|---|
--images |
原始图片目录 |
--labels |
原始标签目录 |
--out |
输出到 YOLOv5 数据集目录 |
--val-ratio |
验证集比例，0.2 表示 20% |
--copy |
复制文件，不移动原始数据 |
--clean |
清空旧的 train/val 数据后重新生成 |
输出结构：
dataset/images/train/
dataset/images/val/
dataset/labels/train/
dataset/labels/val/
执行：
PS E:\SmartCar\loongson_2k300_lib\tb_yolo> powershell -ExecutionPolicy Bypass -File .\scripts\train_yolov5_windows.ps1 --name exp_target_board_gpu
最终优先使用：
outputs/train/exp_target_board_gpu/weights/best.pt
| 参数 | 作用 | 建议 |
|---|---|---|
--epochs |
训练轮数 | 先用 150，数据较多时可用 200 |
--batch-size |
显存占用和训练速度 | 显存不足按 32 -> 16 -> 8 -> 4 降低 |
--imgsz |
输入图像尺寸 | 目标板很小时可从 96 提到 128 |
--workers |
数据加载线程 | Windows 异常时改为 0 |
--name |
输出目录名称 | 写清数据版本和尺寸，例如 exp_target_board_128 |
--patience |
早停等待轮数 | 默认 50 |
目标板较小时可尝试：
PS E:\SmartCar\loongson_2k300_lib\tb_yolo> powershell -ExecutionPolicy Bypass -File .\scripts\train_yolov5_windows.ps1 --imgsz 128 --batch-size 16 --epochs 200 --name exp_target_board_128
查看：
outputs/train/exp_target_board_gpu/results.png
outputs/train/exp_target_board_gpu/confusion_matrix.png
outputs/train/exp_target_board_gpu/weights/best.pt
重点关注：
box_loss 是否下降
obj_loss 是否下降
cls_loss 是否下降
P / R / mAP50 是否稳定提升
各类别是否有明显短板
如果某类误检或漏检明显，优先补充该类真实场景数据，而不是只调训练参数。
执行：
PS E:\SmartCar\loongson_2k300_lib\tb_yolo> python .\vendor\yolov5\detect.py --weights .\outputs\train\exp_target_board_gpu\weights\best.pt --source .\dataset\images\val --data .\configs\target_board.yaml --imgsz 96 --conf-thres 0.25 --project .\outputs\detect --name exp_target_board_val
查看：
outputs/detect/exp_target_board_val/
逐类检查类别是否正确、框是否覆盖目标板、远距离和角度变化是否漏检。
ONNX默认 96 尺寸：
PS E:\SmartCar\loongson_2k300_lib\tb_yolo> powershell -ExecutionPolicy Bypass -File .\scripts\export_onnx_windows.ps1 --weights .\outputs\train\exp_target_board_gpu\weights\best.pt --imgsz 96
如果训练时使用 128：
PS E:\SmartCar\loongson_2k300_lib\tb_yolo> powershell -ExecutionPolicy Bypass -File .\scripts\export_onnx_windows.ps1 --weights .\outputs\train\exp_target_board_128\weights\best.pt --imgsz 128
导出结果：
outputs/train/exp_target_board_gpu/weights/best.onnx
ncnn执行：
PS E:\SmartCar\loongson_2k300_lib\tb_yolo> powershell -ExecutionPolicy Bypass -File .\scripts\export_ncnn_windows.ps1 --onnx .\outputs\train\exp_target_board_gpu\weights\best.onnx --param .\outputs\train\exp_target_board_gpu\weights\best.param --bin .\outputs\train\exp_target_board_gpu\weights\best.bin --copy-demo
加上 --copy-demo 后会同步：
models/demo/best.param
models/demo/best.bin
后续 example/build_deploy_run.sh 默认上传这两个文件。
修改 example/yolo_ncnn_app/main.cpp 顶部配置：
Category_NUM = 真实类别数量
DATA_LEN = Category_NUM + 5
kClassNames = 按 configs/target_board.names 顺序填写
kInputWidth / kInputHeight = 训练和导出时的 imgsz
input_name = best.param 中输入 blob 名，通常是 images
out_name = best.param 中输出 blob 名，通常是 output0
conf = 置信度阈值，先用 0.25，再按实车效果调整
类别数组示例：
static const char *kClassNames[Category_NUM] = {
"left",
"right",
"straight",
"stop",
"slow",
};
在仓库根目录执行：
cd example
./build_deploy_run.sh --app yolo_ncnn_app --deploy root@172.23.17.235 -- --param best.param --bin best.bin --image test.jpg --output result.jpg
指定真实验证图片：
./build_deploy_run.sh --app yolo_ncnn_app --deploy root@172.23.17.235 --yolo-image ../tb_yolo/dataset/images/val/0001.jpg -- --param best.param --bin best.bin --image test.jpg --output result.jpg
建议按顺序测试：
1. 离线图片测试
2. 静态目标板测试
3. 低速接近测试
4. 策略触发测试
5. 强光、弱光、角度、运动模糊干扰测试
不要一开始就高速跑车。先确认模型输出稳定，再接入控制策略。
如果实车误检：
补充容易误检的背景图片
提高或调整置信度阈值
检查类别顺序是否错乱
如果实车漏检：
补充漏检角度、距离、光照下的目标板图片
检查目标框标注是否过松或过紧
适当提高 imgsz
完成补充后重新执行：
划分数据集 -> 训练 -> 本机验证 -> 导出 ONNX -> 转换 ncnn -> 开发板测试
优先降低：
--batch-size 32 -> 16 -> 8 -> 4
仍然不足时降低：
--imgsz 128 -> 96 -> 64
常见原因：
测试集太简单
真实光照和角度没有覆盖
摄像头画面与训练图片差异大
目标板运动模糊没有覆盖
背景干扰样本太少
解决方式是补真实数据，而不是只调模型参数。
ncnn 输出维度不匹配优先检查：
Category_NUM 是否等于 configs/target_board.names 行数
DATA_LEN 是否等于 Category_NUM + 5
kClassNames 是否与 configs/target_board.names 完全同序
input_name / out_name 是否与 best.param 一致
训练、导出、推理 imgsz 是否一致
优先检查：
letterbox 预处理是否一致
scale/pad 还原坐标是否正确
BGR/RGB 是否一致
训练和推理输入尺寸是否一致
说明类别顺序不一致。检查：
raw_dataset/labels/classes.txt
configs/target_board.names
example/yolo_ncnn_app/main.cpp 中的 kClassNames
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。