YOLOv5单目测距实战：从原理到代码实现

简介：YOLOv5与单目测距相结合的Python项目，面向计算机视觉开发者、自动驾驶及机器人领域从业者，解决单摄像头场景下目标检测与距离估计问题，无需激光雷达等额外深度设备，适合智能监控、无人机避障、辅助驾驶等落地需求。压缩包共132个文件、大小约13.87MB，主要包含40个yaml配置、34个py脚本、16个pyc字节码、11个yml环境配置、6个xml、5个sh脚本以及Dockerfile、预训练pt权重和ipynb示例，覆盖从模型定义、训练测试到部署运行的全链路代码。当前已有3856人学习下载，适合具备一定深度学习基础、希望从目标检测延伸至单目三维测距的开发者参考。通过对照源码与脚本，可深入理解YOLOv5的锚框机制与单目深度映射原理，结合自定义数据集完成模型微调、距离估计与结果可视化实验，有效降低三维视觉项目的落地门槛。

1. 项目定位：目标检测和测距一起做的思路

当年我在毕设里第一次接触这个方向时，手上的硬件就一块普通的USB摄像头，没有激光雷达也没有深度相机，但需求却很现实：“把画面里的车辆/行人框出来，同时给出大概多远。”这就是YOLOv5+单目测距最常见的出场场景——用一个单目摄像头估算前方目标的距离，成本低、部署快，配合Python生态上手也快。

这套方案真正解决的痛点是：目标检测做完以后，距离信息往往还需要另算。很多做视觉项目的同学都能把检测框跑出来，但一到“这辆车离我几米”就卡住了——要么去采购昂贵的测距传感器，要么陷入双目视差标定的复杂流程。而单目测距的思路是：利用相机成像的几何关系，结合目标的真实物理尺寸和检测框高度，直接估算距离。它不需要额外硬件的成本，在精度允许的范围内（误差通常在5%-15%左右），足够覆盖很多安防、车距提醒、工业分拣、流量统计类需求。

本文适合三类读者：

• 正在做毕设，且已经能跑通YOLOv5检测的同学；
• 有检测需求但预算有限、想用普通摄像头做距离估算的开发者；
• 想把“检测+测距”写成一套可复用代码，而不是靠调库碰运气的人。

我会从原理、环境、标定、代码到实战坑位一条线讲清楚，直接给你能跑起来的方案。

2. 技术选型：为什么是YOLOv5和单目测距

2.1 YOLOv5在目标检测里的定位

YOLOv5到现在依然是非常稳的选择。虽然已经有YOLOv8、v9甚至v11，但在单目测距这个场景里，v5的社区成熟度、资料数量、预训练权重易得性都排在前列。更关键的是，YOLOv5的输出结构非常直白——每个检测结果就是(box坐标, 置信度, 类别)，拿到box的高度信息后，测距计算非常顺手。

官方仓库ultralytics/yolov5提供了统一的检测接口和丰富的预训练权重，支持yolov5n/s/m/l/x等多档模型规模。测距场景不需要追求每秒上百帧的高性能，一般选yolov5s或yolov5m就够用。实测在1080Ti上，v5s推理一张1080P图片大概要20-40ms，基本满足实时测距的需求。

2.2 单目测距的适用边界

单目测距有个不可回避的前提：它估算的是“回到物理世界的近似值”。双目视觉通过两个相机的视差三角测量距离，而单目相机只有一帧图像，没有直接的深度信息。那为什么还能测距？因为我们用了“已知物体的真实尺寸”这个先验条件，通过相似三角形把像素高度换算成距离。

这意味着单目测距做不到激光雷达级别的毫米精度，但它在特定场景里足够用。比如：

• 车辆测距：车辆的宽度、高度大致在某个已知范围内；
• 行人和交通标志检测：成年人身高通常1.6-1.8m；
• 工厂托盘位识别：标准托盘有固定尺寸。

选型时一定要想清楚这一点：物体尺寸是否稳定、相机是否有一个合适的安装高度、镜头畸变是否可控。只要这三条有一半靠谱，单目测距的方案就能落地。

3. 环境准备与依赖安装

3.1 Python与PyTorch环境配置

第一步是搭建能够跑YOLOv5的Python环境。个人建议用Anaconda创建独立虚拟环境，避免把系统Python搞乱。以Windows/Linux通用的命令为例：

conda create -n distance python=3.8 -y conda activate distance

Python 3.8-3.10对YOLOv5的支持都很稳。接下来安装PyTorch，注意先看一下自己的显卡和CUDA版本。如果是有NVIDIA独显且装了CUDA 11.8，可用以下命令：

pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118

如果是纯CPU机器跑（测距对帧率要求不高时CPU也能接受），直接安装CPU版：

pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu

装完后检查一下torch和torchvision版本是否匹配，常见的版本坑是torch版本对了但torchvision不兼容，导致导入cv2时报cuda相关的dll错误。

3.2 YOLOv5仓库与依赖安装

克隆YOLOv5官方仓库并安装依赖：

git clone https://github.com/ultralytics/yolov5.git cd yolov5 pip install -r requirements.txt

requirements.txt里包含了opencv-python、numpy、matplotlib、pandas、pillow等依赖。如果下载速度慢，可以临时加国内镜像源，比如：

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

依赖装完后，先用官方权重做一个最小验证：

python detect.py --source data/images/bus.jpg --weights yolov5s.pt --conf 0.25

能正常在运行目录下生成runs/detect/exp里的标注图片，就说明环境OK了。

3.3 相机驱动与OpenCV检查

单目测距离不开摄像头图像获取，OpenCV是最常用的库。装完后可以做一个简单的摄像头读取测试：

python -c "import cv2; cap = cv2.VideoCapture(0); ret, frame = cap.read(); print(ret, frame.shape)"

如果ret返回False，优先检查摄像头权限（尤其是Linux下的摄像头组权限、笔记本摄像头的“隐私设置”），以及opencv-python是否和系统自带opencv冲突。

4. 单目测距原理：小孔成像和相似三角形

4.1 最核心的公式

单目测距原理其实一句话能讲完：在理想小孔成像模型下，物体在图像中像素高度和物体到相机的距离成反比。

用公式表达为：

distance = (focal_pixel * real_height) / pixel_height

其中：

• real_height：目标的真实物理高度（米）
• pixel_height：目标在图像中的像素高度（检测框的高度）
• focal_pixel：相机的焦距（以像素为单位）

我举个例子帮大家理解：假设你知道一个人的身高是1.7米。当这个人站得远时，他在照片里只有100像素高；走近后变成400像素高。像素高度变大了，距离自然变小了。焦距就是那个“身材固定下来”的换算系数。

生活化的理解是：一个人身高固定1.75米，远看和近看在人眼视网膜上的“像素高度”不同，大脑依靠经验把它换算成距离。单目测距做的事就是把大脑经验换成数学公式。

4.2 两种标定方式：正式标定和快速标定

想得到focal_pixel这个参数，有两种路径。

路径一：用棋盘格标定相机内参。使用OpenCV的findChessboardCorners提取棋盘格子角点，再用calibrateCamera得到内参矩阵。矩阵里的fx（第一行第一列）就是focal_pixel。这个路径准确度高，但要打印棋盘格、拍多角度照片，流程稍长。

路径二：快速标定法。把已知真实高度的物体放在已知距离处，拍摄一帧图像，测量该物体在图像中的像素高度，反推焦距：

focal_pixel = (pixel_height * distance) / real_height

这个方式最快，我平时做原型验证时常用。比如放一个高1.7米的人形立牌在自己面前3米处，测出它像素高度是500px，那么focal_pixel ≈ (500 * 3) / 1.7 ≈ 882。然后把这个值写进代码即可。

提示：快速标定法的前提是物体像素高度测量要准。最好选颜色和背景对比明显的物体，并在画面上直接用程序打印出检测框的高度值，多测几帧取平均，能有效减少单帧误差。

4.3 相机畸变是否需要校正

很多人忽略畸变校正，直接用原始图像算距离，结果发现边缘区域测距误差特别大。原因是镜头边缘的桶形或枕形畸变会让像素高度失真。标定相机内参的同时，建议顺手拿到畸变系数(dist_coeffs)，然后在代码里用cv2.undistort或cv2.initUndistortRectifyMap做去畸变处理。

但对于工业级量产项目，如果你在固定场景里做测距，更推荐把相机固定好、只标定一次，然后针对画面中心区域做测距。边缘畸变尽量通过调整相机位置来规避，而不是完全依赖算法校正。

5. 核心代码：YOLOv5检测框和测距融合

5.1 代码整体结构

检测和测距的融合方式非常直接：先拿到检测框，再把检测框的右下角纵坐标与框高用于测距。我个人习惯把整段逻辑封装成两个类：Detector负责目标检测，DistanceEstimator负责距离估算。这样方便后期替换检测模型或调整测距策略。

关键代码如下：

import cv2 import torch import numpy as np # 已知目标的真实高度映射表（米） REAL_HEIGHT_MAP = { 0: 1.7, # person 2: 1.5, # car（按轿车平均高度近似） 5: 2.5, # bus/卡车取典型值 7: 0.6, # truck可自行调整 } class DistanceEstimator: def __init__(self, focal_pixel): self.focal_pixel = focal_pixel self.smooth_factor = 0.6 def estimate(self, bbox, cls_id): # bbox: [x1, y1, x2, y2] pixel_h = bbox[3] - bbox[1] if pixel_h <= 0: return None real_h = REAL_HEIGHT_MAP.get(cls_id, 1.7) distance = (self.focal_pixel * real_h) / pixel_h return distance

代码里最重要的点是：获取距离的公式就是前面推导的相似三角形换算。bbox的y2 - y1就是框高，real_h从类别字典映射得到。

5.2 主循环：读取画面、检测、测距离

接着写主程序。这里我以摄像头实时画面为例：

import torch from pathlib import Path def main(): model = torch.hub.load('ultralytics/yolov5', 'yolov5s', pretrained=True) model.conf = 0.4 # 置信度阈值 model.iou = 0.45 # NMS IoU阈值 model.classes = [0, 2, 5, 7] # 只检测person/car/bus/truck，减少干扰 cap = cv2.VideoCapture(0) estimator = DistanceEstimator(focal_pixel=882) # 替换成自己标定的值 while True: ret, frame = cap.read() if not ret: break results = model(frame) boxes = results.xyxy[0].cpu().numpy() # [x1, y1, x2, y2, conf, cls] for det in boxes: x1, y1, x2, y2, conf, cls = det cls = int(cls) dist = estimator.estimate([x1, y1, x2, y2], cls) # 在画面中画出检测框和距离文字 label = f'{model.names[cls]} {dist:.2f}m' if dist else f'{model.names[cls]}' cv2.rectangle(frame, (int(x1), int(y1)), (int(x2), int(y2)), (0, 255, 0), 2) cv2.putText(frame, label, (int(x1), int(y1) - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 0, 255), 2) cv2.imshow('distance', frame) if cv2.waitKey(1) & 0xFF == ord('q'): break cap.release() cv2.destroyAllWindows() if __name__ == '__main__': main()

这一段代码直接可以替换YOLOv5官方detect.py的核心逻辑。如果不想用torch.hub每次联网下载权重，可以在命令行先下载yolov5s.pt，然后改成：

model = torch.hub.load('ultralytics/yolov5', 'custom', path='yolov5s.pt')

这样离线也能跑。

5.3 检测框高度修正：一个容易被忽略的细节

YOLOv5给出的检测框通常比目标真实轮廓宽松一些。目标不是正方形，检测框上下边缘往往会多出几个像素的背景。因此直接用y2-y1作为pixel_h会导致距离偏小。实测下来修正系数在0.8-0.95之间，具体因相机安装仰角和目标类别而异。

修正方法很简单，给框高乘一个经验系数：

pixel_h = (bbox[3] - bbox[1]) * 0.9

如果目标是横穿镜头、身体不与画面垂直，这样修正的误差会变大。这也是单目测距的天然局限。

5.4 距离平滑：让画面数字不抖

检测框每帧都会有抖动，即使相机静止，框的高度也会上下浮动几个像素，反映到距离上就是数字一直跳。简单有效的做法是做一个一阶低通滤波：

class DistanceSmoother: def __init__(self, alpha=0.5): self.alpha = alpha self.value = None def update(self, new_value): if self.value is None: self.value = new_value else: self.value = self.alpha * new_value + (1 - self.alpha) * self.value return self.value

这样输出面板显示的距离稳定很多。要注意alpha值不要太小，否则目标快速靠近时数字反应滞后明显。我通常取0.4-0.6之间。

6. 实操测试与误差分析

6.1 测量实验：真实距离 vs 测量距离

为了验证效果，我专门做了一组实测。相机固定在离地1.1米处，把一个高0.6米的纸箱放在同一直线不同距离处，用上面代码测距。结果如下表：

可以看到，距离越近精度越高，超过8米后相对误差会快速上涨。这个趋势是所有单目测距方案都绕不开的：像素高度在远处变化不明显，几个像素的检测误差就会被放大成几十厘米的距离误差。

6.2 影响精度的关键因素

结合实验经验，影响精度的因素按权重排序如下：

1. 检测框高度准确性。检测框偏高或偏低，直接改变pixel_h。尤其是遮挡场景，比如车后面站了个人，框会框进两目标，测距直接失真。
2. 焦距标定准确性。快速标定法如果放尺子读像素读数读错一点点，最后所有距离都会存在固定偏移。
3. 相机安装仰角。相机如果俯视或仰视目标，真实高度在成像平面上的投影不再等于目标的垂直高度，需要多做一重角度补偿。
4. 目标真实高度波动。车辆品牌不同、SUV和轿车的实测高度可能差出20厘米以上。这会让测距结果存在系统性偏差。

提醒：单目测距不是万能方案。如果你最终的项目要求“误差小于2%”，请直接放弃单目，改选双目视差或深度相机方案。单目测距的价值在于“低成本、中等精度、快速部署”，用之前一定要管理好项目预期。

7. 常见问题与排查记录

7.1 常见的环境与运行报错

在跑测试过程中，最容易踩到的问题集中在这几点：

报错1：ImportError: numpy.core.multiarray failed to import

通常是numpy版本和opencv版本不兼容。解决方法：

pip uninstall numpy opencv-python -y pip install numpy==1.24.4 opencv-python

报错2：torch.cuda.is_available()返回False

先跑一下nvidia-smi，看显卡驱动是否正常。驱动正常但torch检测不到CUDA，大概率是安装的PyTorch版本不是CUDA版。重装CUDA版torch即可。

报错3：摄像头画面无法显示

USB摄像头在设备管理器里能识别，但OpenCV读不到画面，可以尝试：

cap = cv2.VideoCapture(0, cv2.CAP_DSHOW) # Windows下加directshow参数

报错4：检测推理速度太慢

把yolov5s换成yolov5n，或把输入图像尺寸从640降到416。测距对目标大小的精确度有一定要求，但分辨率降到416后框高误差增加的有限，帧率提升明显。

7.2 测距数字抖动问题

抖动来源主要是检测框波动。除了前文说的滤波平滑外，还可以采用“连续N帧取中值”的策略。具体做法：每10帧里如果目标持续存在，就把10次距离的中位数作为最终输出。中值滤波对抗突变效果比一阶平滑更强。

7.3 多目标同时测距的处理

同一个画面里有多辆车、多个人时，程序原本就是逐目标处理的。但要注意，YOLOv5的检测框是按置信度排序的，如果画面拥挤、遮挡严重，小目标框高度误差大。建议在代码里加一条过滤逻辑：目标像素高度小于20px时不测距，避免出现虚标。

8. 写在最后：这套方案还能往哪扩展

我曾拿这套单目测距方案做过一个车辆防碰撞预警的demo，核心代码就是上文的结构。实际部署时加上两个扩展点：一是用OpenVINO或者TensorRT对YOLOv5做加速，二是把测距结果实时写入MQTT/数据库，供后端统计。

如果你在调参过程中遇到距离值有稳定偏差——比如所有距离都偏大10%——那大概率是focal_pixel标定偏小。反过来所有距离都偏小，就调大focal_pixel。这个手动微调的过程，所有做单目测距的人都逃不掉，调完一次之后固定下来，整个场景就稳了。

最后分享一个小技巧：标定和测试时最好用同一台相机、同一分辨率。分辨率变了，focal_pixel必须重新标定，因为图像在不同分辨率下像素高度完全不是一个量纲。很多同学换了个分辨率运行，发现距离瞬间不准，十有八九是这个原因。

本文还有配套的精品资源，点击获取