本项目基于 [Ultralytics YOLOv5](https://github.com/ultralytics/yolov5) v7.0，面向医疗伤口（压疮）智能评估场景，实现伤口图片的多属性自动检测，包括压疮分期、组织类型、渗液量评估、伤口床颜色等。支持从数据标注、模型训练、验证到多端部署（服务器 API / Web / 移动端）的完整深度学习工程流程。
- **框架版本**：YOLOv5 v7.0（PyTorch 1.13.1）
- **Python 版本**：3.7+
- **业务领域**：医疗影像目标检测（压疮/伤口评估）
- **数据来源**：湘雅二院临床伤口图片
- **最终类别数**：124 类（综合版 dataset3）
YOLOv5 🚀 is the world's most loved vision AI, representing [Ultralytics](https://ultralytics.com) open-source research into future vision AI methods. See the [official YOLOv5 repository](https://github.com/ultralytics/yolov5) and [Documentation](https://docs.ultralytics.com) for full framework details.
---
## 目录
- [快速开始](#快速开始)
- [项目结构](#项目结构)
- [核心模块](#核心模块)
- [数据集说明](#数据集说明)
- [模型架构](#模型架构)
- [训练结果](#训练结果)
- [自定义改动](#自定义改动)
- [预训练模型](#预训练模型)
- [部署导出](#部署导出)
- [Flask API 服务](#flask-api-服务)
- [已知问题与改进建议](#已知问题与改进建议)
---
## 快速开始
### 安装
在 [**Python>=3.7.0**](https://www.python.org/) 环境中克隆仓库并安装依赖，包括 [**PyTorch>=1.7**](https://pytorch.org/get-started/locally/)。
```bash
git clone https://github.com/ultralytics/yolov5 # clone
cd yolov5
pip install -r requirements.txt # install
```
### PyTorch Hub 推理
```python
import torch
# 加载官方模型
model = torch.hub.load('ultralytics/yolov5', 'yolov5s') # or yolov5n/m/l/x, custom
# 加载自定义训练模型
model = torch.hub.load('ultralytics/yolov5', 'custom', path='runs/train/exp/weights/best.pt')
img = 'data/images/bus.jpg' # 或 URL、PIL、OpenCV、numpy、list
results = model(img)
results.print() # 或 .show(), .save(), .crop(), .pandas()
```
### detect.py 推理
`detect.py` 支持多种输入源，结果保存到 `runs/detect`。
```bash
python detect.py --source 0 # 摄像头
img.jpg # 图片
vid.mp4 # 视频
screen # 屏幕截图
path/ # 目录
'path/*.jpg' # glob
'rtsp://...' # RTSP/RTMP/HTTP 流
```
### 常用命令速查
```bash
# 安装依赖
pip install -r requirements.txt
# 训练（自定义数据集）
python train.py --img 640 --batch 16 --epochs 100 --data dataset3.yaml --weights yolov5s.pt
# 推理
python detect.py --weights runs/train/exp/weights/best.pt --source data/images --conf-thres 0.5
# 验证
python val.py --data dataset3.yaml --weights runs/train/exp/weights/best.pt
# 导出 TFLite / TF.js
python export.py --weights best.pt --include tflite tfjs --img 640
# 启动 Flask API 服务
python app.py
```
---
## 项目结构
```
Yolov5Model/
├── classify/ # 图像分类子模块（训练/验证/推理）
├── data/ # 官方数据配置与超参数
│ ├── hyps/ # 超参数 yaml（low/med/high/VOC/Objects365）
│ ├── images/ # 示例图片（bus.jpg, zidane.jpg）
│ └── scripts/ # 数据集下载脚本
├── models/ # 模型定义
│ ├── common.py # 通用网络层（Conv, C3, SPPF, DetectMultiBackend 等）
│ ├── yolo.py # 模型核心（Detect, DetectionModel, parse_model）
│ ├── experimental.py # 实验性模块
│ ├── tf.py # TensorFlow 模型定义
│ ├── yolov5n/m/l/x.yaml # 五种规模模型结构配置
│ ├── hub/ # PyTorch Hub 配置
│ └── segment/ # 分割模型配置
├── utils/ # 工具函数库
│ ├── general.py # 通用工具（NMS、坐标转换、日志等）
│ ├── dataloaders.py # 数据加载器（图片/视频/流/摄像头）
│ ├── loss.py # 损失函数（CIoU + BCE）
│ ├── metrics.py # 评估指标（mAP、IoU、混淆矩阵）
│ ├── plots.py # 绘图与可视化
│ ├── torch_utils.py # PyTorch 工具（EMA、设备选择、优化器）
│ ├── augmentations.py # 数据增强（Mosaic、MixUp、HSV 等）
│ ├── autoanchor.py # 自动锚框计算
│ ├── callbacks.py # 训练生命周期回调
│ ├── flask_rest_api/ # Flask API 示例
│ ├── loggers/ # 实验日志（W&B、ClearML、Comet）
│ └── segment/ # 分割专用工具
├── docs/ # 项目文档与开发记录
├── runs/train/ # 训练结果（多次实验）
│
├── train.py # 【核心】检测模型训练
├── detect.py # 【核心】检测推理
├── val.py # 【核心】模型验证
├── export.py # 【核心】模型导出（11 种格式）
├── app.py # 【自定义】Flask REST API 服务
├── app_request.py # 【自定义】API 测试客户端
├── convert_yolo_to_tfjs.py# 【自定义】PT 转 TF.js 工具
├── detect_test.py # 【自定义】推理测试脚本
├── sample_data.py # 【自定义】摄像头数据采集
├── sample_test.py # 【自定义】多模型测试
├── hubconf.py # PyTorch Hub 配置
├── benchmarks.py # 性能基准测试
│
├── dataset.yaml # 数据集配置（88 类）
├── dataset1stage.yaml # 一期数据集（94 类）
├── dataset2class.yaml # 组织类型（103 类）
├── dataset2color.yaml # 颜色（97 类）
├── dataset2liquid.yaml # 渗液量（106 类）
├── dataset3.yaml # 综合数据集（124 类，中文标签）
│
├── requirements.txt # Python 依赖
└── Arial.Unicode.ttf # 中文字体（解决标签乱码）
```
---
## 核心模块
### train.py — 模型训练
支持单机/多卡 DDP、断点续训、混合精度训练。
| 参数 | 说明 | 默认值 |
|------|------|--------|
| `--data` | 数据集配置 yaml | coco128.yaml |
| `--weights` | 初始化权重路径 | yolov5s.pt |
| `--cfg` | 模型结构 yaml | 自动推断 |
| `--epochs` | 训练轮数 | 100 |
| `--batch-size` | 批大小 | 16 |
| `--imgsz` | 输入图像尺寸 | 640 |
| `--hyp` | 超参数文件 | hyp.scratch-low.yaml |
| `--device` | 设备（cpu/0/0,1,2,3） | 自动 |
| `--workers` | 数据加载线程 | 8 |
| `--cache` | 缓存方式（ram/disk） | 无 |
| `--resume` | 断点续训 | 无 |
| `--freeze` | 冻结层数 | 0 |
```bash
# 基础训练
python train.py --img 320 --batch 16 --epochs 100 --data dataset.yaml --weights yolov5s.pt
# 高性能训练（缓存到内存，多线程）
python train.py --img 320 --batch 32 --epochs 100 --data dataset3.yaml --weights yolov5s.pt --workers 12 --cache ram
```
**训练流程**：参数解析 → 数据/模型加载 → AutoAnchor → 优化器（SGD/Adam）+ 学习率调度 → EMA + AMP → 每 epoch 训练+验证 → 保存 best/last → EarlyStopping。
**损失函数**：`box_loss (CIoU) + obj_loss (BCE) + cls_loss (BCE)`
### detect.py — 推理检测
支持图片、视频、摄像头、网络流、屏幕截图等输入，支持 PyTorch/ONNX/TensorRT/CoreML/TFLite/Paddle 等多种模型格式。
| 参数 | 说明 | 默认值 |
|------|------|--------|
| `--weights` | 模型权重 | yolov5s.pt |
| `--source` | 输入源 | data/images |
| `--conf-thres` | 置信度阈值 | 0.25 |
| `--iou-thres` | NMS IoU 阈值 | 0.45 |
| `--imgsz` | 推理尺寸 | 640 |
| `--save-txt` | 保存 txt 标签 | False |
| `--save-crop` | 保存裁剪目标 | False |
### val.py — 模型验证
计算 Precision、Recall、mAP@0.5、mAP@0.5:0.95，支持 COCO JSON 导出和混淆矩阵。
```bash
python val.py --data dataset3.yaml --weights best.pt --task val
```
### export.py — 模型导出
支持导出 11 种部署格式：
| 格式 | 参数 | 适用场景 |
|------|------|----------|
| PyTorch | 默认 | 训练/推理 |
| TorchScript | `torchscript` | C++ 部署、移动端 |
| ONNX | `onnx` | 跨平台推理 |
| OpenVINO | `openvino` | Intel CPU/GPU 加速 |
| TensorRT | `engine` | NVIDIA GPU 极速推理 |
| CoreML | `coreml` | macOS/iOS |
| SavedModel | `saved_model` | TensorFlow |
| TFLite | `tflite` | 移动端/嵌入式（FP16/INT8） |
| Edge TPU | `edgetpu` | Google Coral |
| TF.js | `tfjs` | 浏览器/Web |
| PaddlePaddle | `paddle` | 飞桨 |
```bash
python export.py --weights best.pt --include onnx tflite tfjs --img 640 --simplify
```
---
## 数据集说明
### 数据集版本演进
| 配置文件 | 类别数 | 数据目录 | 说明 |
|----------|--------|----------|------|
| dataset.yaml | 88 | samples/ | COCO 80 类 + awake/drowsy + 6 类压疮分期 |
| dataset1stage.yaml | 94 | samples1stage/ | 湘雅一期，英文命名 |
| dataset2color.yaml | 97 | samples2color/ | 新增伤口床颜色（黑/红/黄） |
| dataset2class.yaml | 103 | samples2class/ | 新增 6 种组织类型 |
| dataset2liquid.yaml | 106 | samples2liquid/ | 新增渗液量分级 |
| **dataset3.yaml** | **124** | **shan/** | **最终综合版，中文标签** |
### 最终类别体系（dataset3，124 类）
- 基础 COCO 80 类 + awake/drowsy（驾驶员状态）
- **压疮分期**（7 类）：SDTI、Stage_I~IV、Unstageable
- **中文分期别名**（6 类）：深部组织损伤、分期-I~IV期、不可分期
- **组织类型**（6 类）：伤口纤维化、闭合、肉芽组织、上皮组织、腐肉、坏死组织
- **渗液量**（4 类）：大量、中等、少量、无
- **颜色百分比**（15 类）：黑/红/黄各 0%/25%/50%/75%/100%
- **渗液性质**（5 类）：其他、绿色、脓性、血红色、血清色
### 数据格式
YOLO 标注格式，每张图片对应一个 `.txt` 文件：
```
class_id x_center y_center width height
```
坐标归一化到 0~1。目录结构：
```
dataset/
├── images/
│ ├── train/
│ └── val/
└── labels/
├── train/
└── val/
```
---
## 模型架构
YOLOv5 由三部分组成：
- **Backbone**（骨干网络）：Conv + C3（CSP Bottleneck）+ SPPF，提取多尺度特征
- **Neck**（颈部）：PANet 结构，上采样 + 下采样 + Concat 特征融合
- **Head**（检测头）：3 尺度检测（P3 80×80、P4 40×40、P5 20×20），每尺度 3 个锚框
检测头输出形状：`(batch, 3, grid_h, grid_w, 5+nc)`，其中 5 = (x, y, w, h, objectness)，nc 为类别数。
### 预训练模型
| 模型 | depth_multiple | width_multiple | 参数量 | GFLOPs | mAP
