42 KiB
中文 | 한국어 | 日本語 | Русский | Deutsch | Français | Español | Português | Türkçe | Tiếng Việt | العربية
YOLOv5 🚀 是全球最受喜爱的视觉 AI，代表了 Ultralytics 在未来视觉 AI 方法上的开源研究成果，这些成果融合了经过数千小时研发的经验和最佳实践。
我们希望这里提供的资源能帮助您充分发挥 YOLOv5 的优势。请查阅 YOLOv5 的 文档 了解详情，如需支持请在 GitHub 上提交问题，或加入我们的 Discord 社区进行提问和讨论！
若需申请企业许可证，请在 Ultralytics Licensing 完成相关表单。
YOLO11 🚀 新品发布
我们很高兴地宣布推出 Ultralytics YOLO11 🚀——我们最先进（SOTA）视觉模型的最新成果！现已在 GitHub 上发布，YOLO11 延续了我们在速度、准确性和易用性方面的优秀传统。不论您是处理目标检测、图像分割还是图像分类，YOLO11 都能提供多样应用场景下卓越的性能和灵活性。
今天就开始体验，释放 YOLO11 的全部潜力吧！请访问 Ultralytics 文档 获取全面的指南和资源：
pip install ultralytics
文档
请参阅 YOLOv5 文档 获取关于训练、测试和部署的完整指南。下方提供了快速入门示例。
安装
克隆仓库并在 Python>=3.8.0 环境中安装 requirements.txt 文件中的依赖，包括 PyTorch>=1.8。
git clone https://github.com/ultralytics/yolov5 # 克隆仓库
cd yolov5
pip install -r requirements.txt # 安装依赖
推理
YOLOv5 PyTorch Hub 推理示例。Models 会自动从最新的 YOLOv5 发行版 下载。
import torch
# 加载 YOLOv5 模型（可选：yolov5n, yolov5s, yolov5m, yolov5l, yolov5x）
model = torch.hub.load("ultralytics/yolov5", "yolov5s")
# 输入源（URL、文件、PIL、OpenCV、numpy 数组或列表）
img = "https://ultralytics.com/images/zidane.jpg"
# 执行推理（自动处理批量、调整大小、归一化）
results = model(img)
# 处理结果（可选：.print(), .show(), .save(), .crop(), .pandas()）
results.print()
使用 detect.py 进行推理
detect.py 在多种来源上运行推理，自动从最新的 YOLOv5 发行版 下载 models，并将结果保存至 runs/detect。
python detect.py --weights yolov5s.pt --source 0 # 摄像头
python detect.py --weights yolov5s.pt --source img.jpg # 图片
python detect.py --weights yolov5s.pt --source vid.mp4 # 视频
python detect.py --weights yolov5s.pt --source screen # 截图
python detect.py --weights yolov5s.pt --source path/ # 目录
python detect.py --weights yolov5s.pt --source list.txt # 图片列表
python detect.py --weights yolov5s.pt --source list.streams # 流列表
python detect.py --weights yolov5s.pt --source 'path/*.jpg' # glob 通配符
python detect.py --weights yolov5s.pt --source 'https://youtu.be/LNwODJXcvt4' # YouTube
python detect.py --weights yolov5s.pt --source 'rtsp://example.com/media.mp4' # RTSP, RTMP, HTTP 流
训练
以下命令重现了 YOLOv5 COCO 数据集的结果。Models 和 datasets 会自动从最新的 YOLOv5 发行版 下载。使用 V100 GPU 训练 YOLOv5n/s/m/l/x 的时间分别为 1/2/4/6/8 天（多 GPU 可大幅加快训练速度）。建议使用最大的 --batch-size，或传入 --batch-size -1 以使用 YOLOv5 AutoBatch。下面显示的批量大小基于 V100-16GB。
python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5n.yaml --batch-size 128
python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5s.yaml --batch-size 64
python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5m.yaml --batch-size 40
python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5l.yaml --batch-size 24
python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5x.yaml --batch-size 16
教程
- 训练自定义数据 🚀 强烈推荐
- 获得最佳训练效果的技巧 ☘️
- 多 GPU 训练
- PyTorch Hub 🌟 新版
- TFLite, ONNX, CoreML, TensorRT 导出 🚀
- NVIDIA Jetson 平台部署 🌟 新版
- 测试时数据增强 (TTA)
- 模型集成
- 模型修剪/稀疏
- 超参数进化
- 冻结层进行迁移学习
- 架构概述 🌟 新版
- Ultralytics HUB 进行训练和部署 YOLO 🚀 强烈推荐
- ClearML 日志记录
- YOLOv5 与 Neural Magic 的 Deepsparse
- Comet 日志记录 🌟 新版
集成
我们与领先 AI 平台的深度集成拓展了 Ultralytics 解决方案的功能，提升了数据集标注、训练、可视化和模型管理等任务的效率。了解 Ultralytics 如何与 W&B、Comet、Roboflow 以及 OpenVINO 合作，优化您的 AI 工作流程。
| Ultralytics HUB 🚀 | W&B | Comet ⭐ 新版 | Neural Magic |
|---|---|---|---|
| 简化 YOLO 工作流程：使用 Ultralytics HUB 轻松标注、训练和部署。立即体验！ | 使用 Weights & Biases 跟踪实验、超参数和结果。 | 永久免费，Comet 允许您保存 YOLOv5 模型、恢复训练，并以交互方式可视化和调试预测。 | 使用 Neural Magic DeepSparse 使 YOLO11 推理速度提升最高 6 倍。 |
Ultralytics HUB
体验无缝 AI 体验，使用 Ultralytics HUB ⭐ ——这是一个无需编写代码即可进行数据可视化、YOLOv5 与 YOLOv8 🚀 模型训练和部署的一体化解决方案。借助我们前沿的平台和用户友好的 Ultralytics App，您能轻松将图像转化为可操作的洞察并让您的 AI 创想成真。立即开始您的【免费】之旅吧！
为何选择 YOLOv5
YOLOv5 的设计初衷是让入门变得极为简单且易于学习。我们专注于真实世界的结果。
YOLOv5-P5 640 图示
图示说明
- COCO AP val 表示在 5000 张 COCO val2017 图像数据集上、推理尺寸从 256 到 1536 不同情况下测量的 mAP@0.5:0.95 指标。
- GPU Speed 测量在 COCO val2017 数据集上使用 AWS p3.2xlarge V100 实例，以批量大小 32 计算的平均每张图推理时间。
- EfficientDet 数据来自 google/automl，批量大小为 8。
- 重现 命令：
python val.py --task study --data coco.yaml --iou 0.7 --weights yolov5n6.pt yolov5s6.pt yolov5m6.pt yolov5l6.pt yolov5x6.pt
预训练检查点
| Model | size (pixels) |
mAPval 50-95 |
mAPval 50 |
Speed CPU b1 (ms) |
Speed V100 b1 (ms) |
Speed V100 b32 (ms) |
params (M) |
FLOPs @640 (B) |
|---|---|---|---|---|---|---|---|---|
| YOLOv5n | 640 | 28.0 | 45.7 | 45 | 6.3 | 0.6 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | 56.8 | 98 | 6.4 | 0.9 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | 64.1 | 224 | 8.2 | 1.7 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | 67.3 | 430 | 10.1 | 2.7 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | 68.9 | 766 | 12.1 | 4.8 | 86.7 | 205.7 |
| YOLOv5n6 | 1280 | 36.0 | 54.4 | 153 | 8.1 | 2.1 | 3.2 | 4.6 |
| YOLOv5s6 | 1280 | 44.8 | 63.7 | 385 | 8.2 | 3.6 | 12.6 | 16.8 |
| YOLOv5m6 | 1280 | 51.3 | 69.3 | 887 | 11.1 | 6.8 | 35.7 | 50.0 |
| YOLOv5l6 | 1280 | 53.7 | 71.3 | 1784 | 15.8 | 10.5 | 76.8 | 111.4 |
| YOLOv5x6 + TTA |
1280 1536 |
55.0 55.8 |
72.7 72.7 |
3136 - |
26.2 - |
19.4 - |
140.7 - |
209.8 - |
表格说明
- 所有检查点均使用默认设置训练 300 个周期。Nano 与 Small 模型使用 hyp.scratch-low.yaml 超参数，其它模型使用 hyp.scratch-high.yaml。
- mAPval 指标为在 COCO val2017 数据集上单模型单尺度计算的结果。
重现命令：python val.py --data coco.yaml --img 640 --conf 0.001 --iou 0.65 - Speed 为在 AWS p3.2xlarge 实例中基于 COCO val 图像平均推理时间（批量为 1）。不包含 NMS 时间（约 1 ms/图）。
重现命令：python val.py --data coco.yaml --img 640 --task speed --batch 1 - TTA 测试时数据增强 包括反射翻转和缩放增强。
重现命令：python val.py --data coco.yaml --img 1536 --iou 0.7 --augment
分割
我们全新推出的 YOLOv5 release v7.0 实例分割模型是目前全球最快且最精准的，其性能超越了所有现有 SOTA 基准。我们将其训练、验证和部署过程简化到了极致。详细信息请参阅我们的 发行说明 ，同时访问我们的 YOLOv5 分割 Colab Notebook 获取快速入门教程。
分割检查点
我们在 A100 GPU 上以图像尺寸 640 对 COCO 数据集训练了 YOLOv5 分割模型共 300 个周期。我们将所有模型导出为 ONNX FP32 以进行 CPU 速度测试，及 TensorRT FP16 以进行 GPU 速度测试。所有速度测试均在 Google Colab Pro 笔记本上进行，以便于结果重现。
| Model | size (pixels) |
mAPbox 50-95 |
mAPmask 50-95 |
Train time 300 epochs A100 (hours) |
Speed ONNX CPU (ms) |
Speed TRT A100 (ms) |
params (M) |
FLOPs @640 (B) |
|---|---|---|---|---|---|---|---|---|
| YOLOv5n-seg | 640 | 27.6 | 23.4 | 80:17 | 62.7 | 1.2 | 2.0 | 7.1 |
| YOLOv5s-seg | 640 | 37.6 | 31.7 | 88:16 | 173.3 | 1.4 | 7.6 | 26.4 |
| YOLOv5m-seg | 640 | 45.0 | 37.1 | 108:36 | 427.0 | 2.2 | 22.0 | 70.8 |
| YOLOv5l-seg | 640 | 49.0 | 39.9 | 66:43 (2x) | 857.4 | 2.9 | 47.9 | 147.7 |
| YOLOv5x-seg | 640 | 50.7 | 41.4 | 62:56 (3x) | 1579.2 | 4.5 | 88.8 | 265.7 |
- 所有检查点均使用 SGD 优化器（
lr0=0.01，weight_decay=5e-5）以图像尺寸 640 训练 300 个周期，且均采用默认设置。
训练日志记录于 https://wandb.ai/glenn-jocher/YOLOv5_v70_official - 准确度 为在 COCO 数据集上单模型单尺度的结果。
重现命令：python segment/val.py --data coco.yaml --weights yolov5s-seg.pt - 速度 为在 Google Colab Pro A100 高内存实例上，针对 100 张推理图像计算的平均推理速度。数值仅表示推理速度（NMS 每图约增加 1ms）。
重现命令：python segment/val.py --data coco.yaml --weights yolov5s-seg.pt --batch 1 - 导出 为 ONNX FP32 及 TensorRT FP16 均通过
export.py执行。
重现命令：python export.py --weights yolov5s-seg.pt --include engine --device 0 --half
分割使用示例
训练
YOLOv5 分割训练支持通过 --data coco128-seg.yaml 参数自动下载 COCO128-seg 分割数据集，也支持通过执行 bash data/scripts/get_coco.sh --train --val --segments 手动下载 COCO-segments 数据集，然后运行 python train.py --data coco.yaml。
# 单 GPU 训练
python segment/train.py --data coco128-seg.yaml --weights yolov5s-seg.pt --img 640
# 多 GPU DDP 训练
python -m torch.distributed.run --nproc_per_node 4 --master_port 1 segment/train.py --data coco128-seg.yaml --weights yolov5s-seg.pt --img 640 --device 0,1,2,3
验证
在 COCO 数据集上验证 YOLOv5s-seg 的 mask mAP：
bash data/scripts/get_coco.sh --val --segments # 下载 COCO val 分割集（780MB，5000 张图）
python segment/val.py --weights yolov5s-seg.pt --data coco.yaml --img 640 # 验证
预测
使用预训练的 YOLOv5m-seg.pt 对 bus.jpg 进行预测：
python segment/predict.py --weights yolov5m-seg.pt --source data/images/bus.jpg
model = torch.hub.load(
"ultralytics/yolov5", "custom", "yolov5m-seg.pt"
) # 从 PyTorch Hub 加载（注意：目前推理尚未支持）
 |
 |
|---|
导出
将 YOLOv5s-seg 模型导出为 ONNX 与 TensorRT 格式：
python export.py --weights yolov5s-seg.pt --include onnx engine --img 640 --device 0
分类
YOLOv5 release v6.2 新增了对分类模型的训练、验证和部署支持！详细信息请参阅我们的 发行说明 ，同时访问我们的 YOLOv5 分类 Colab Notebook 获取快速入门教程。
分类检查点
我们在 ImageNet 数据集上训练了 YOLOv5-cls 分类模型，共训练 90 个周期，使用 4 个 A100 实例进行训练。同时为了对比，我们还训练了 ResNet 和 EfficientNet 模型，均采用相同的默认训练设置。所有模型均导出为 ONNX FP32 以进行 CPU 速度测试，并导出为 TensorRT FP16 以进行 GPU 速度测试。所有速度测试均在 Google Colab Pro 上进行，以方便结果重现。
| Model | size (pixels) |
acc top1 |
acc top5 |
Training 90 epochs 4xA100 (hours) |
Speed ONNX CPU (ms) |
Speed TensorRT V100 (ms) |
params (M) |
FLOPs @224 (B) |
|---|---|---|---|---|---|---|---|---|
| YOLOv5n-cls | 224 | 64.6 | 85.4 | 7:59 | 3.3 | 0.5 | 2.5 | 0.5 |
| YOLOv5s-cls | 224 | 71.5 | 90.2 | 8:09 | 6.6 | 0.6 | 5.4 | 1.4 |
| YOLOv5m-cls | 224 | 75.9 | 92.9 | 10:06 | 15.5 | 0.9 | 12.9 | 3.9 |
| YOLOv5l-cls | 224 | 78.0 | 94.0 | 11:56 | 26.9 | 1.4 | 26.5 | 8.5 |
| YOLOv5x-cls | 224 | 79.0 | 94.4 | 15:04 | 54.3 | 1.8 | 48.1 | 15.9 |
| ResNet18 | 224 | 70.3 | 89.5 | 6:47 | 11.2 | 0.5 | 11.7 | 3.7 |
| ResNet34 | 224 | 73.9 | 91.8 | 8:33 | 20.6 | 0.9 | 21.8 | 7.4 |
| ResNet50 | 224 | 76.8 | 93.4 | 11:10 | 23.4 | 1.0 | 25.6 | 8.5 |
| ResNet101 | 224 | 78.5 | 94.3 | 17:10 | 42.1 | 1.9 | 44.5 | 15.9 |
| EfficientNet_b0 | 224 | 75.1 | 92.4 | 13:03 | 12.5 | 1.3 | 5.3 | 1.0 |
| EfficientNet_b1 | 224 | 76.4 | 93.2 | 17:04 | 14.9 | 1.6 | 7.8 | 1.5 |
| EfficientNet_b2 | 224 | 76.6 | 93.4 | 17:10 | 15.9 | 1.6 | 9.1 | 1.7 |
| EfficientNet_b3 | 224 | 77.7 | 94.0 | 19:19 | 18.9 | 1.9 | 12.2 | 2.4 |
表格说明 (点击展开)
- 所有检查点均使用默认设置，在图像尺寸 224 下以 SGD 优化器（
lr0=0.001，weight_decay=5e-5）训练 90 个周期。训练日志记录于 https://wandb.ai/glenn-jocher/YOLOv5-Classifier-v6-2 - 准确率 为在 ImageNet-1k 数据集上单模型单尺度计算的结果。
重现命令：python classify/val.py --data ../datasets/imagenet --img 224 - 速度 为在 Google Colab Pro V100 高内存实例上，针对 100 张推理图像计算的平均推理速度。
重现命令：python classify/val.py --data ../datasets/imagenet --img 224 --batch 1 - 导出 为 ONNX FP32 及 TensorRT FP16 均通过
export.py执行。
重现命令：python export.py --weights yolov5s-cls.pt --include engine onnx --imgsz 224
分类使用示例
训练
YOLOv5 分类训练支持通过 --data 参数自动下载 MNIST、Fashion-MNIST、CIFAR10、CIFAR100、Imagenette、Imagewoof 和 ImageNet 数据集。例如，启动 MNIST 训练只需使用 --data mnist。
# 单 GPU 训练
python classify/train.py --model yolov5s-cls.pt --data cifar100 --epochs 5 --img 224 --batch 128
# 多 GPU DDP 训练
python -m torch.distributed.run --nproc_per_node 4 --master_port 1 classify/train.py --model yolov5s-cls.pt --data imagenet --epochs 5 --img 224 --device 0,1,2,3
验证
在 ImageNet-1k 数据集上验证 YOLOv5m-cls 的准确率：
bash data/scripts/get_imagenet.sh --val # 下载 ImageNet 验证集（6.3G，50000 张图）
python classify/val.py --weights yolov5m-cls.pt --data ../datasets/imagenet --img 224 # 验证
预测
使用预训练的 YOLOv5s-cls.pt 对 bus.jpg 进行预测：
python classify/predict.py --weights yolov5s-cls.pt --source data/images/bus.jpg
model = torch.hub.load("ultralytics/yolov5", "custom", "yolov5s-cls.pt") # 从 PyTorch Hub 加载
导出
将一组训练好的 YOLOv5s-cls、ResNet 和 EfficientNet 模型导出为 ONNX 与 TensorRT 格式：
python export.py --weights yolov5s-cls.pt resnet50.pt efficientnet_b0.pt --include onnx engine --img 224
环境
只需几秒钟即可开始使用我们的经过验证的环境。点击下方每个图标了解详情。
贡献
我们非常欢迎您的反馈！我们希望让贡献 YOLOv5 的过程变得简单且透明。请参阅我们的 贡献指南 开始贡献，并填写 YOLOv5 调查问卷 告诉我们您的体验。感谢所有贡献者！
许可证
Ultralytics 提供两种许可证选项以满足不同的使用场景：
- AGPL-3.0 许可证：这种 OSI 认可 的开源许可证适合学生和爱好者，旨在促进开放协作与知识共享。详见 LICENSE 文件获取更多细节。
- 企业许可证：专为商业用途设计，该许可证允许将 Ultralytics 软件和 AI 模型无缝集成到商业产品和服务中，从而规避 AGPL-3.0 的开源要求。如果您的使用场景涉及将我们的解决方案嵌入商业产品，请通过 Ultralytics Licensing 与我们联系。
联系方式
有关 YOLOv5 的 Bug 报告和功能请求，请访问 GitHub Issues，与此同时欢迎加入我们的 Discord 社区进行交流和讨论！