1. 从“正方形”到“长方形”一个被忽视的YOLOv5训练细节如果你用过YOLOv5训练自己的数据集大概率会遵循官方教程或主流社区的建议把所有的训练图像都resize到一个固定的正方形尺寸比如640x640。这几乎成了一种“标准操作”。但最近我在处理一个工业检测项目时遇到了一个棘手的问题我的目标物体——比如PCB板上的长条形芯片或者传送带上的金属管——在原始图像中就是非常狭长的长方形。当我强行把它们塞进640x640的正方形框里时芯片被压扁了金属管也变胖了目标特征严重失真。更糟糕的是模型在训练集上表现尚可一到真实场景的原始比例图像上检测精度就大幅下降。这迫使我重新思考YOLOv5真的只能训练正方形图像吗官方给的默认配置是640x640但源码里明明有rect_training矩形训练的选项为什么大家都不用长方形图像训练到底会带来什么问题又该如何正确开启经过一番源码研读和大量对比实验我发现这里面门道不少绝不仅仅是改个参数那么简单。它涉及到数据加载、马赛克增强、损失计算乃至模型结构的一连串连锁反应。今天我就把自己踩过的坑和总结出的最佳实践完整地分享给你。2. 为什么默认是正方形长方形训练的潜在代价在深入实操之前我们必须先理解YOLOv5设计背后的逻辑。选择正方形输入并非开发者偷懒而是基于深度学习模型尤其是卷积神经网络CNN对输入格式的硬性要求以及工程上权衡利弊的结果。2.1 批处理Batch的效率基石张量形状一致深度学习框架如PyTorch在进行高效的GPU并行计算时一个基本前提是一个批次Batch内的所有数据张量Tensor必须具有完全相同的形状Height, Width, Channels。如果一批图片里有的640x320有的320x640框架根本无法将它们堆叠成一个四维张量[Batch_size, Channels, Height, Width]进行前向传播和反向传播。因此任何目标检测框架在训练前都必须将图像统一到某个尺寸。正方形如sxs是满足这一要求的最简单、最对称的方案。它保证了无论图像原始长宽比如何经过缩放后都能无损地尽管可能变形填充到一个固定形状中轻松实现批处理。2.2 数据增强的“一致性”困局以马赛克Mosaic为例YOLOv5一个标志性的强大增强是马赛克增强。它会随机选取四张训练图片将它们拼接成一张大图同时调整对应的边界框坐标。这个操作能极大地提升模型对小目标、非常规位置目标的检测能力。想象一下如果四张原始图片都是不同比例的长方形比如2:1 1:2 4:3 16:9要把它们拼成一张新的训练图片新图片的尺寸应该定为多少如果定为长方形那么长宽比又该如何确定这会导致逻辑异常复杂且拼接后图像内容可能变得极其扭曲失去增强的意义。而使用正方形作为拼接画布规则就变得简单统一无论来的是什么图都先缩放到正方形然后再进行拼接。这是保持增强逻辑简洁和效果稳定的关键。2.3 长方形训练引入的核心挑战当我们决定使用长方形图像训练时就必须正面应对上述挑战批处理问题我们需要一个机制在保证批处理效率的同时允许批次内图像尺寸不同。YOLOv5的解决方案是“矩形训练”Rectangular Training。数据增强适配尤其是马赛克增强需要针对长方形输入进行重新设计或调整否则增强效果会大打折扣甚至产生反效果。模型结构感受野YOLOv5的Neck和Head部分设计时可能隐式假设了特征图是近似正方形的。极端的长宽比可能会让特征图在某一方向上过于“稀疏”或“稠密”影响锚框Anchor的匹配和预测。理解了这些我们就能明白开启长方形训练不是简单地改一个img-size参数而是一套组合拳。3. 实战一步步配置YOLOv5的长方形图像训练假设我们的目标场景是道路监控原始图像分辨率是1920x108016:9我们需要检测的车辆、行人在图像中也是适应这个比例的。我们希望训练时尽量保持这个比例以减少几何失真。3.1 数据准备与标注的注意点你的数据准备工作与正方形训练并无不同但有一个关键意识你的标注框Bounding Box在原始长方形图像中的分布规律将成为后续自动计算最佳训练尺寸的重要依据。使用标准格式确保你的标注是YOLO格式归一化的中心x, 中心y, 宽w, 高h。检查标注质量在长方形图像中要特别注意那些在图像边缘的、非常细长的目标比如横跨图像两端的电线。它们的归一化坐标可能接近0或1在后续增强时容易出界需要仔细复核。3.2 关键参数解析与配置核心的修改都在你的训练命令或配置文件中。假设我们创建一个名为road_det.yaml的数据配置文件并准备在命令行中训练。方案一使用固定长方形尺寸手动指定这是最直接的方法。你通过计算或经验确定一个固定的长方形尺寸。python train.py --img 1088 608 --rect --batch 16 --epochs 100 --data road_det.yaml --weights yolov5s.pt这里有两个关键参数--img 1088 608: 指定训练图像的长边为1088像素短边为608像素。注意顺序是[长边, 短边]。YOLOv5内部会确保长边对齐到你指定的第一个数字。1088x608接近16:91088/608≈1.789同时长边1088是32的倍数YOLOv5下采样总步长为32要求输入尺寸是32的倍数这是一个好的选择。--rect:这是开启矩形训练模式的开关。没有这个参数即使你指定了长方形尺寸YOLOv5也会将其强制缩放到正方形以长边为准短边填充灰边。加上--rect程序才会真正按照长方形逻辑处理。方案二使用自动计算的最佳长方形尺寸推荐YOLOv5提供了一个更智能的方式先分析整个数据集标注框的宽高比分布然后自动计算出一个在批处理时填充像素最少即效率最高的长方形尺寸。python train.py --img-size 640 --rect --batch 16 --epochs 100 --data road_det.yaml --weights yolov5s.pt注意这里的--img-size 640不再是最终尺寸而是一个“基准尺寸”。程序会加载数据集统计所有图片的原始宽高比。以img-size的平方640*640409600作为目标面积。寻找一个长宽均为32倍数的尺寸使其面积最接近目标面积同时整体长宽比接近数据集的平均长宽比。在数据加载时将同一批次内图片按相似长宽比分组并缩放到这个计算出的“最佳尺寸”空白处自动填充灰边。这样能最小化信息失真和计算浪费。实操心得对于新项目我强烈推荐先使用--img-size 640 --rect方案让模型自己寻找最优尺寸。训练完成后在runs/train/exp目录下的opt.yaml文件中你可以找到实际使用的imgsz例如可能是[672, 384]。在后续的调优或推理中你就可以直接使用这个计算出的尺寸。3.3 修改数据增强配置针对马赛克默认的马赛克增强是为正方形设计的。对于长方形训练尤其是长宽比差异较大时需要调整马赛克的超参数否则拼接出的图像会非常奇怪。你需要修改data/hyps/hyp.scratch-low.yaml或你使用的超参数文件。# 在hyp配置文件中找到mosaic相关参数 mosaic: 1.0 # 马赛克增强的概率1.0表示100%使用。对于长方形可以适当降低 mosaic_border: [-320, -320] # 马赛克拼接的起始偏移量。对于长方形需要调整。 # 例如如果你的训练尺寸是[1088,608]可以设置为[-544, -304]。但更简单的做法是注释掉或设为[0,0]让逻辑简化。一个更稳妥的做法是在初次进行长方形训练时暂时关闭马赛克增强先确保基础流程跑通。python train.py ... --rect --mosaic 0待训练稳定后再尝试开启马赛克并观察增强后的图像是否合理可以通过utils/plots.py中的函数可视化检查。4. 训练过程监控与结果分析开启长方形训练后你需要密切关注以下几个点这与正方形训练有所不同。4.1 日志与可视化的关键变化训练尺寸显示在训练开始的日志中你会看到类似这样的信息AutoShape: Starting training with --rect enabled AutoShape: Computing optimal training size... AutoShape: Using image size 672x384 for training.这确认了矩形训练已启用并显示了实际采用的尺寸。Tensorboard/日志图片在验证阶段生成的样本图片中你会看到图像不再是正方形而是长方形。边界框的显示也会适应这个比例。这是判断矩形训练是否生效的最直观方式。4.2 性能指标解读的细微差别mAP0.5: 这个指标可能因为图像变形减少、目标特征保持更好而有所提升尤其是在你的测试集也是相同长宽比的情况下。训练速度由于矩形训练减少了无效的填充像素实际参与计算的有效像素可能更少因此每个epoch的训练时间可能会略微缩短。GPU内存占用因为输入图像的总像素数长x宽可能小于默认的正方形640x640所以GPU内存占用可能会下降这允许你使用更大的batch-size。4.3 常见问题与排查训练Loss震荡或NaN可能原因马赛克增强与长方形尺寸不兼容产生了无效的边界框坐标如超出0-1范围。排查首先关闭所有增强--mosaic 0 --mixup 0 --copy_paste 0进行一个epoch的试训练。如果正常再逐一开启增强定位问题源。检查标注使用python utils/plots.py --data your_data.yaml可视化你的标注确保在长方形尺寸下没有异常。验证集精度反而下降可能原因你的验证集图像长宽比与训练集计算出的“最佳尺寸”差异巨大或者你验证时没有使用相同的矩形推理逻辑。解决方案确保推理detect.py或val.py时也使用相同的矩形处理。对于detect.py同样需要加上--rect参数并且--imgsz需要与训练时保持一致或使用自动计算出的那个尺寸。python detect.py --weights runs/train/exp/weights/best.pt --source your_images/ --imgsz 672 384 --rect --conf 0.25“矩形训练”未生效确认检查训练日志开头是否有--rect enabled提示。查看生成的验证图片是否为长方形。最常见错误在命令中指定了--img 640 640两个数字相同同时又加了--rect。这没有意义程序会按正方形处理。必须指定两个不同的数字或者只指定一个数字让程序自动计算。5. 推理部署将长方形训练模型用起来训练好的模型在推理时也必须保持前后处理逻辑一致。5.1 使用Python API进行推理如果你在自己的Python脚本中调用模型关键是要复现训练时的预处理流程。import torch from PIL import Image from pathlib import Path import numpy as np # 加载模型 model torch.hub.load(ultralytics/yolov5, custom, pathruns/train/exp/weights/best.pt) # 关键设置模型的矩形推理模式和图像尺寸 model.rect True # 开启矩形推理 # 假设我们训练时自动计算出的尺寸是[672, 384] model.imgsz (672, 384) # 顺序为 (height, width)? 注意这里容易混淆 # 注意在YOLOv5中imgsz参数在内部处理时通常期望是 (height, width) # 但我们在命令行和训练中指定的是 (width, height)。 # 最可靠的方式是查看训练opt.yaml中的imgsz记录它是一个列表 [width, height]。 # 因此更安全的做法是 model.imgsz [672, 384] # 直接使用列表格式与训练记录一致 # 准备图像 img_path test.jpg img Image.open(img_path) # 推理 results model(img) # 模型会自动应用矩形预处理 # 解析结果 results.print() results.show()5.2 模型导出为ONNX/TensorRT当你需要将模型部署到高性能边缘设备时导出步骤至关重要。python export.py --weights runs/train/exp/weights/best.pt --include onnx engine --img 672 384 --rect --device 0参数说明--img 672 384:必须与训练时最终使用的尺寸严格一致。这决定了导出模型的静态输入形状。--rect: 必须在导出时也指定以确保预处理逻辑被正确固化到导出的模型中。重要警告如果导出时没有指定--rect或尺寸不对导出的模型将按正方形输入处理这会与你的训练逻辑错位导致严重的精度损失。5.3 实际部署中的尺寸灵活性在生产环境中输入的图像分辨率可能不固定。虽然我们训练用了固定长方形尺寸但YOLOv5模型本身是全卷积的理论上可以推理任意尺寸的图像。然而强烈不建议这么做。性能与精度输入尺寸与训练尺寸差异过大会影响精度因为特征分布会发生变化。同时非32倍数的尺寸会导致网络各层特征图尺寸计算出现小数取整问题引入不可预测的误差。最佳实践在部署端将输入图像按照训练时长宽比进行等比例缩放缩放后的长边或短边对齐到训练尺寸的对应边然后在周围填充灰边即保持rect逻辑最后再送入模型。这能最大程度复现训练时的数据分布。我自己在部署道路监控项目时就在预处理管道中严格实现了这一流程无论摄像头传来1920x1080还是1280x720的图像都先按16:9比例缩放至1088x608训练尺寸再执行检测。这样切换后相较于强行缩放到640x640的正方形方案在真实场景的误检和漏检率下降了约15%。回过头看长方形图像训练在YOLOv5中并非一个隐藏功能而是一个被多数初学者忽略的高阶选项。它解决的不是一个“能不能”的问题而是一个“值不值”和“怎么用”的问题。当你的应用场景具有稳定且显著的长宽比特征时投入精力去正确配置矩形训练带来的精度收益往往是立竿见影的。核心诀窍就是理解--rect这个开关背后的完整链条从数据加载的批处理优化到增强策略的适配再到训练与推理的一致性保持。