关于YOLOv5输出文档及输出张量解读的技术咨询

一、重训练效果不达预期的排查方向 #

• 数据集层面
  • 先确认三类人脸（自然脸/卡通脸/游戏脸）的样本量是否均衡，每类至少要有几千张有效样本，且标注必须准确——框要完整覆盖人脸，类别标签不能标混。
  • 检查数据集场景多样性：比如不同光线、角度、遮挡情况，尤其是卡通脸要覆盖不同画风（Q版/写实）、游戏脸要包含不同游戏风格的角色脸，避免模型只认单一风格。
• 训练配置调整
  • 换更大的模型：如果用的是YOLOv5n/s这类小模型，换成v5m/l，小模型特征提取能力有限，很难兼顾三类差异大的人脸。
  • 调整训练参数：延长训练轮数（比如从默认300轮调到500+），用余弦退火学习率代替固定值，拉大数据增强的强度——比如加随机裁剪、颜色扰动，针对卡通脸可以额外加风格化增强（比如随机调整饱和度、对比度）。
  • 平衡类别权重：如果某类样本数量少，在训练的yaml配置里设置class_weights，让模型更关注样本少的类别。
• 验证与调优
  • 用验证集可视化检测结果，看是漏检、误检还是框不准：漏检就补对应类别的样本，框不准就用python utils/autoanchor.py重新计算适配你数据集的锚框。

二、ONNX输出张量解读（结合你的测试代码和输出示意图） #

YOLOv5导出的ONNX模型输出是一个形状为[1, num_boxes, 5 + num_classes]的张量（比如你示意图里的[1,25200,85]，重训后你的应该是[1,25200,8]，对应5个基础字段+3类人脸），每个预测框的字段对应逻辑：

• 前4个值：x_center, y_center, width, height——都是相对于输入图像尺寸的归一化值，要转成像素坐标得乘以图像的实际宽高。
• 第5个值：置信度（confidence）——表示这个框里存在目标的概率。
• 后面的num_classes个值：对应每类人脸的分类概率，最终某类的置信度是「框置信度 × 分类概率」，这个值才是判断该框属于某类人脸的依据。

后处理步骤（对应你提供的C++测试代码逻辑） #

1. 置信度过滤：先筛掉置信度低于阈值（比如0.25）的框，减少无效计算。
2. 非极大值抑制（NMS）：对同一类别的框计算IOU（交并比），去掉重叠度超过阈值（一般设0.45）的重复框，保留最准确的那个。
3. 坐标转换：把归一化的中心坐标和宽高转成图像里的像素坐标，公式如下：

   // 假设img_w是图像宽度，img_h是图像高度
   float x1 = (box[0] - box[2]/2) * img_w;
   float y1 = (box[1] - box[3]/2) * img_h;
   float x2 = (box[0] + box[2]/2) * img_w;
   float y2 = (box[1] + box[3]/2) * img_h;
   

举个例子：如果某行张量是[0.3, 0.4, 0.2, 0.3, 0.8, 0.9, 0.1, 0.0]，就表示：

• 框的中心在图像宽30%、高40%的位置，宽是图像的20%，高是30%
• 框的置信度是0.8，属于自然脸的概率是0.9，最终自然脸的置信度是0.8×0.9=0.72

内容的提问来源于stack exchange，提问作者pal