Flask + YOLOv5 实战：从零搭建一个可交互的实时视频检测Web应用

1. 环境准备与项目初始化

要搭建一个基于Flask和YOLOv5的实时视频检测Web应用，首先需要准备好开发环境。我推荐使用Python 3.8或更高版本，这个版本在兼容性和性能方面都有不错的表现。在实际项目中，我发现Python 3.8与PyTorch的配合最为稳定。

安装基础依赖包时，建议创建一个虚拟环境。这样可以避免与其他项目的依赖冲突。我通常使用conda来管理环境，但venv也是个不错的选择：

bash复制python -m venv yolov5_flask_env
source yolov5_flask_env/bin/activate  # Linux/Mac
yolov5_flask_env\Scripts\activate  # Windows

接下来安装核心依赖项。这里有个小技巧：先安装PyTorch，再安装其他依赖，可以减少版本冲突的可能性：

bash复制pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu113
pip install flask flask-cors opencv-python numpy

对于YOLOv5的获取，直接从官方仓库克隆是最稳妥的做法。我在多个项目中发现，使用pip安装的版本有时会缺少必要的工具函数：

bash复制git clone https://github.com/ultralytics/yolov5
cd yolov5
pip install -r requirements.txt

2. Flask项目结构设计

一个良好的项目结构能让后续开发事半功倍。经过多次项目实践，我总结出了这样一个目录结构：

code复制yolov5_flask/
├── app.py                # Flask主应用
├── static/               # 静态资源
│   ├── js/
│   └── css/
├── templates/            # HTML模板
│   └── index.html
├── utils/                # 工具函数
│   └── video_processor.py
└── yolov5/               # YOLOv5模型代码

在app.py中，我们需要初始化Flask应用并配置基本路由。这里有个细节需要注意：静态文件夹和模板文件夹的路径设置。我遇到过因为路径问题导致模板无法加载的情况，所以建议使用绝对路径：

python复制import os
from flask import Flask

app = Flask(__name__, 
           static_folder=os.path.abspath('static'),
           template_folder=os.path.abspath('templates'))

3. YOLOv5模型集成与封装

将YOLOv5集成到Flask应用中需要特别注意模型加载和推理的性能优化。我封装了一个VideoProcessor类来处理这些逻辑：

python复制import torch
import cv2
import numpy as np
from yolov5.models.experimental import attempt_load
from yolov5.utils.general import non_max_suppression, scale_coords

class VideoProcessor:
    def __init__(self, weights_path='yolov5s.pt'):