YOLOv5模型误识别非目标黄色系物体的问题解决咨询

我完全懂你现在的头疼——辛辛苦苦训练的模型，居然把所有黄色系的东西都当成目标，明显是学偏了，只抓住了颜色这个表面特征，没学会识别产品真正的核心（比如形状、纹理、结构这些）。咱们一步步来解决这个问题：

一、先从数据集入手，补全特征多样性 #

这是最核心的环节，模型学偏很大概率是数据集的特征覆盖不够：

• 补充目标产品的非黄色样本：找一些目标产品在不同颜色包装、或者褪色、变色场景下的图片（如果没有真实场景，用数据增强模拟也行）。比如用YOLOv5自带的颜色增强，或者做灰度化、色相偏移，让模型知道「黄色≠目标」。
• 加入难例负样本：把那些现在被误识别的黄色非目标物体，拍几张不同角度、光照的照片，加到训练集里，标注成背景类（或者不标注，让模型知道这不是目标），逼着模型区分开相似颜色的不同物体。
• 检查数据集的标注与分布：看看是不是大部分样本都是黄色的目标？如果颜色分布过于单一，模型自然会优先依赖颜色。另外，检查有没有漏标、错标，标注框是否精准——这些都会误导模型学习错误特征。

二、调整训练策略，引导模型学习核心特征 #

• 增加训练轮数：50轮对于YOLOv5m来说可能不够，试试100-200轮，给模型足够的时间从颜色特征过渡到更复杂的形状、纹理特征。
• 拉满颜色相关的数据增强：打开你的data.yaml配置文件，把颜色扰动的参数调高：

  hsv_h: 0.03  # 色相调整范围，默认0.015，调大一点
  hsv_s: 0.9   # 饱和度调整，默认0.7
  hsv_v: 0.5   # 明度调整，默认0.4
  

  训练时加上--augment参数，开启更强的随机增强，让模型见过更多颜色变化的目标。
• 尝试冻结+解冻的分步训练：先冻结backbone层训练10轮（用--freeze 10参数），让模型先学习通用的图像特征，再解冻全层训练，这样模型会更专注于目标产品的独特特征。
• 调高分类损失权重：在YOLOv5的超参数文件（比如hyp.scratch-low.yaml）里，把cls_pw（分类损失权重）从默认的1.0调到1.5-2.0，让模型更重视类别区分，而不是只靠定位。

三、模型与推理端的优化 #

• 试试更大的模型：如果算力允许，换成YOLOv5l或者v5x，它们的特征提取能力更强，能捕捉到更细的纹理、结构细节，不容易被颜色干扰。
• 调整推理置信度阈值：临时救急的话，可以把推理时的置信度从默认的0.25调到0.5甚至更高，过滤掉那些靠颜色匹配的低置信度误检，但这只是治标，核心还是要从训练端解决。
• 加入注意力模块：给YOLOv5集成CBAM或者SE注意力模块，让模型自动关注产品的关键区域（比如logo、独特的形状），弱化颜色的影响。

备注：内容来源于stack exchange，提问作者Joe