YOLOv5(PyTorch)目标检测实战：Flask Web部署

把 YOLOv5 跑通、能在本地图片上画出框，这件事现在门槛并不高。真正卡人的是下一步：模型在自己电脑上跑得好好的，怎么让别人打开浏览器就能用？这门课解决的就是这一段——把 PyTorch 版的 YOLOv5 推理能力，包成一个 Flask Web 服务。

它适合的人很明确：已经跟着 YOLOv5 官方仓库跑过 detect.py，能改 confidence 和 iou 阈值，但一提到"部署"就只剩下把权重文件拷来拷去；或者做后端、做前端，想在自己项目里塞一个检测接口，却不知道怎么把图片从表单接到模型再传回去。

先确认你缺的是哪一块

这门课不是从零讲目标检测原理的。卷积、锚框、NMS 这些概念，课程默认你已经有一个大致印象。它真正补的是三处断层：

• 推理代码的封装。detect.py 是写死的命令行脚本，参数、路径、输出全是硬编码。要放进 Web 服务，得把加载模型、预处理、前向、后处理拆成可被反复调用的函数，而不是每次请求都重新加载一遍权重。
• Flask 这条链路。路由怎么写、GET 和 POST 分别处理什么、上传的图片怎么存、检测结果图怎么返回给前端、页面用什么渲染。这些是纯工程问题，跟模型精度无关，但缺了就跑不起来。
• 前后端的对接细节。前端上传控件怎么发请求，后端返回的是图片路径还是 base64，浏览器怎么把它显示出来，多张图连续上传时临时文件怎么清理。

如果你卡在其中某一环，可以跳着看；如果三环都模糊，按顺序过一遍更稳。

配套练习该怎么做

光看代码会误以为自己会了。建议每看完一段就动手改，改动幅度不用大，但必须能跑出结果：

• 把写死的权重路径改成从配置读取，换一个自己的 .pt 文件，确认服务不用改代码就能切换模型。
• 给置信度阈值加一个前端输入框，让用户在页面上就能调，观察同一张图在不同阈值下的框变化。
• 故意上传一张非图片格式的文件，看服务会不会直接崩掉，然后补上类型校验和错误提示。
• 用浏览器开发者工具看一次完整的请求和响应，搞清楚图片数据到底是怎么走的。

这几步做完，你对"模型怎么变成服务"这件事就有手感了，而不是只记得几个 API 名字。

看完应该能回答的问题

• 为什么不能在每个请求里重新加载一次模型？正确的做法是什么？
• Flask 里上传的图片存在哪、什么时候删？如果并发几个请求会不会互相覆盖？
• 检测结果图应该以什么形式返回给浏览器？直接返回文件路径会有什么问题？
• 如果在服务器上部署，为什么不能直接用 app.run() 起服务？生产环境通常换成什么？
• 这套结构如果要加视频流检测，改动会落在哪几个地方？

能答上这几题，说明你不只是照着敲了一遍代码。答不上来的，回去翻对应章节，比重新看一遍视频效率高得多。

一点提醒

Flask 自带的开发服务器只适合本地调试，它单线程、性能弱、没有进程管理。课程里的 Demo 能跑通，不代表可以直接搬到线上。真正上线还要考虑 WSGI 服务器、反向代理、请求排队和超时——这些不在本课范围内，但你应该知道边界在哪，别把"本地能访问"当成"部署完成"。

另外，这部分内容属于典型的"用得上才学得进"。如果你手头正好有一个想把检测能力开放出去的小项目，边学边套效果最好；如果只是先囤着，至少把模型封装和请求链路这两段弄明白，剩下的用到再查。