yolov5训练完之后

### YOLOv5训练完成后后续操作指南

#### 评估模型性能
当YOLOv5训练结束后，可以利用验证集来评估模型的表现。通常情况下，在`runs/train/exp/`目录下会找到最新的实验结果，其中包括权重文件、日志以及可视化图表。

为了更直观地查看模型效果，可执行测试命令并指定预训练好的最佳权重：

python val.py --weights runs/train/exp/weights/best.pt --data data/coco128.yaml --imgsz 640

上述指令将会基于给定的数据配置文件和图像尺寸大小对保存下来的最优权重量化其精度等指标[^1]。

#### 使用模型预测新图片
对于已经训练完毕的YOLOv5网络来说，下一步便是将其应用于实际场景中的物体识别任务当中去。这可以通过调用predict模块实现，具体做法如下所示：

python detect.py --source path_to_image_or_video --weights runs/train/exp/weights/best.pt --conf-thres 0.25 --iou-thres 0.45

这里的置信度阈值(`--conf-thres`)与交并比阈值(`--iou-thres`)可以根据需求自行调整，从而控制最终输出框的数量及其质量[^2]。

#### 导出简化版ONNX/PaddlePaddle/TensorRT模型
为了让部署更加便捷高效，有时还需要把PyTorch格式转换成其他框架下的版本。官方提供了方便易用的方法来进行此过程：

python export.py --weights runs/train/exp/weights/best.pt --include onnx paddle tensorrt

该命令一次性完成了三种不同形式导出工作，满足多样化应用场景的需求[^3]。

#### 部署至边缘设备或其他平台
最后一步则是考虑如何让训练出来的模型能够在各种硬件平台上顺利运行。针对不同的终端侧计算资源特性，可以选择合适的方式加载推理引擎，并优化加速整个流程。

例如，在Jetson Nano这样的嵌入式GPU板卡上面跑通YOLOv5，则需先安装相应的依赖库，再移植之前准备好的TensorRT模型；而对于ARM架构CPU而言，则更适合采用轻量化设计过的MNN/XLNet方案。