从零构建到边缘部署：香橙派AIpro上的YOLOv5全流程实战指南

当你第一次在香橙派AIpro上运行YOLOv5的官方Demo时，那种看到识别框准确框出目标的兴奋感，很快会被一个更强烈的念头取代："我能不能用自己的数据训练模型，解决实际问题？"这正是边缘AI开发的魅力所在——将通用算法转化为专属解决方案。本文将带你跨越从Demo玩家到实战开发者的关键一步。

1. 训练环境准备与自定义数据集制作

在香橙派上部署模型前，我们需要在PC端完成模型训练。不同于直接使用预训练权重，自定义训练能让我们针对特定场景获得更好的识别效果。

1.1 搭建PyTorch训练环境

推荐使用conda创建隔离的Python环境，避免依赖冲突：

bash复制conda create -n yolov5_train python=3.8
conda activate yolov5_train
pip install torch==1.10.0+cu113 torchvision==0.11.1+cu113 -f https://download.pytorch.org/whl/torch_stable.html

对于标注工具，LabelImg仍然是目前最易用的选择之一。安装完成后，按以下目录结构组织数据：

code复制custom_dataset/
├── images/
│   ├── train/
│   └── val/
└── labels/
    ├── train/
    └── val/

表：数据集标注文件示例（YOLO格式）

1.2 数据增强策略调优

修改data/hyps/hyp.scratch-low.yaml中的参数可以显著提升小数据集表现：

yaml复制hsv_h: 0.015  # 色相增强幅度
hsv_s: 0.7    # 饱和度增强幅度 
hsv_v: 0.4    # 明度增强幅度
degrees: 5.0  # 旋转角度范围
translate