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：

1. 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）。
2. 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。
3. 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1920x1080（16:9），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。

1. 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）。
2. 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16:9（1088/608≈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：

1. 加载数据集，统计所有图片的原始宽高比。
2. 以img-size的平方（640*640=409600）作为目标面积。
3. 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。
4. 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

1. 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。

2. 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

• mAP@0.5: 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

1. 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。

2. 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

3. “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', path='runs/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。