README.Zh CN

中文 | 한국어 | 日本語 | Русский | Deutsch | Français | Español | Português | Türkçe | Tiếng Việt | العربية

<a href="https://bit.ly/yolov5-paperspace-notebook"></a>
<a href="https://colab.research.google.com/github/ultralytics/yolov5/blob/master/tutorial.ipynb"></a>
<a href="https://www.kaggle.com/models/ultralytics/yolov5"></a>

Ultralytics YOLOv5 🚀 是由 Ultralytics 开发的尖端、达到业界顶尖水平（SOTA）的计算机视觉模型。基于 PyTorch 框架，YOLOv5 以其易用性、速度和准确性而闻名。它融合了广泛研究和开发的见解与最佳实践，使其成为各种视觉 AI 任务的热门选择，包括目标检测、图像分割和图像分类。

我们希望这里的资源能帮助您充分利用 YOLOv5。请浏览 YOLOv5 文档获取详细信息，在 GitHub 上提出 issue 以获得支持，并加入我们的 Discord 社区进行提问和讨论！

如需申请企业许可证，请填写 Ultralytics 授权许可 表格。

<a href="https://www.linkedin.com/company/ultralytics/"></a>

<a href="https://twitter.com/ultralytics"></a>

<a href="https://youtube.com/ultralytics?sub_confirmation=1"></a>

<a href="https://www.tiktok.com/@ultralytics"></a>

<a href="https://ultralytics.com/bilibili"></a>

<a href="https://discord.com/invite/ultralytics"></a>

🚀 YOLO11：下一代进化

我们激动地宣布推出 Ultralytics YOLO11 🚀，这是我们业界顶尖（SOTA）视觉模型的最新进展！YOLO11 现已在 Ultralytics YOLO GitHub 仓库发布，它继承了我们速度快、精度高和易于使用的传统。无论您是处理目标检测、实例分割、姿态估计、图像分类还是旋转目标检测 (OBB)，YOLO11 都能提供在多样化应用中脱颖而出所需的性能和多功能性。

立即开始，释放 YOLO11 的全部潜力！访问 Ultralytics 文档获取全面的指南和资源：

# 安装 ultralytics 包
pip install ultralytics

📚 文档

请参阅 YOLOv5 文档，了解有关训练、测试和部署的完整文档。请参阅下方的快速入门示例。

克隆仓库并在 Python>=3.8.0 环境中安装依赖项。确保您已安装 PyTorch>=1.8。

# 克隆 YOLOv5 仓库
git clone https://github.com/ultralytics/yolov5

# 导航到克隆的目录
cd yolov5

# 安装所需的包
pip install -r requirements.txt

通过 PyTorch Hub 使用 YOLOv5 进行推理。模型 会自动从最新的 YOLOv5 发布版本下载。

import torch

# 加载 YOLOv5 模型（选项：yolov5n, yolov5s, yolov5m, yolov5l, yolov5x）
model = torch.hub.load("ultralytics/yolov5", "yolov5s")  # 默认：yolov5s

# 定义输入图像源（URL、本地文件、PIL 图像、OpenCV 帧、numpy 数组或列表）
img = "https://ultralytics.com/images/zidane.jpg"  # 示例图像

# 执行推理（自动处理批处理、调整大小、归一化）
results = model(img)

# 处理结果（选项：.print(), .show(), .save(), .crop(), .pandas()）
results.print()  # 将结果打印到控制台
results.show()  # 在窗口中显示结果
results.save()  # 将结果保存到 runs/detect/exp

detect.py 脚本在各种来源上运行推理。它会自动从最新的 YOLOv5 发布版本下载模型，并将结果保存到 runs/detect 目录。

# 使用网络摄像头运行推理
python detect.py --weights yolov5s.pt --source 0

# 对本地图像文件运行推理
python detect.py --weights yolov5s.pt --source img.jpg

# 对本地视频文件运行推理
python detect.py --weights yolov5s.pt --source vid.mp4

# 对屏幕截图运行推理
python detect.py --weights yolov5s.pt --source screen

# 对图像目录运行推理
python detect.py --weights yolov5s.pt --source path/to/images/

# 对列出图像路径的文本文件运行推理
python detect.py --weights yolov5s.pt --source list.txt

# 对列出流 URL 的文本文件运行推理
python detect.py --weights yolov5s.pt --source list.streams

# 使用 glob 模式对图像运行推理
python detect.py --weights yolov5s.pt --source 'path/to/*.jpg'

# 对 YouTube 视频 URL 运行推理
python detect.py --weights yolov5s.pt --source 'https://youtu.be/LNwODJXcvt4'

# 对 RTSP、RTMP 或 HTTP 流运行推理
python detect.py --weights yolov5s.pt --source 'rtsp://example.com/media.mp4'

以下命令演示了如何复现 YOLOv5 在 COCO 数据集上的结果。模型和数据集都会自动从最新的 YOLOv5 发布版本下载。YOLOv5n/s/m/l/x 的训练时间在单个 NVIDIA V100 GPU 上大约需要 1/2/4/6/8 天。使用多 GPU 训练可以显著减少训练时间。请使用硬件允许的最大 --batch-size，或使用 --batch-size -1 以启用 YOLOv5 AutoBatch。下面显示的批处理大小适用于 V100-16GB GPU。

# 在 COCO 上训练 YOLOv5n 300 个周期
python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5n.yaml --batch-size 128

# 在 COCO 上训练 YOLOv5s 300 个周期
python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5s.yaml --batch-size 64

# 在 COCO 上训练 YOLOv5m 300 个周期
python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5m.yaml --batch-size 40

# 在 COCO 上训练 YOLOv5l 300 个周期
python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5l.yaml --batch-size 24

# 在 COCO 上训练 YOLOv5x 300 个周期
python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5x.yaml --batch-size 16

• 训练自定义数据 🚀 推荐：学习如何在您自己的数据集上训练 YOLOv5。
• 获得最佳训练结果的技巧 ☘️：利用专家技巧提升模型性能。
• 多 GPU 训练：使用多个 GPU 加速训练。
• PyTorch Hub 集成 🌟 新增：使用 PyTorch Hub 轻松加载模型。
• 模型导出 (TFLite, ONNX, CoreML, TensorRT) 🚀：将您的模型转换为各种部署格式，如 ONNX 或 TensorRT。
• NVIDIA Jetson 部署 🌟 新增：在 NVIDIA Jetson 设备上部署 YOLOv5。
• 测试时增强 (TTA)：使用 TTA 提高预测准确性。
• 模型集成：组合多个模型以获得更好的性能。
• 模型剪枝/稀疏化：优化模型的大小和速度。
• 超参数进化：自动找到最佳训练超参数。
• 使用冻结层的迁移学习：使用迁移学习高效地将预训练模型应用于新任务。
• 架构摘要 🌟 新增：了解 YOLOv5 模型架构。
• Ultralytics Platform 训练 🚀 推荐：使用 Ultralytics Platform 训练和部署 YOLO 模型。
• ClearML 日志记录：与 ClearML 集成以进行实验跟踪。
• Neural Magic DeepSparse 集成：使用 DeepSparse 加速推理。
• Comet 日志记录 🌟 新增：使用 Comet ML 记录实验。

🧩 集成

我们与领先 AI 平台的关键集成扩展了 Ultralytics 产品的功能，增强了诸如数据集标注、训练、可视化和模型管理等任务。了解 Ultralytics 如何与 Weights & Biases、Comet ML、Roboflow 和 Intel OpenVINO 等合作伙伴协作，优化您的 AI 工作流程。在 Ultralytics 集成 探索更多信息。

⭐ Ultralytics Platform

通过 Ultralytics Platform ⭐ 体验无缝的 AI 开发，这是构建、训练和部署计算机视觉模型的终极平台。可视化数据集，训练 YOLOv5 和 YOLOv8 🚀 模型，并将它们部署到实际应用中，无需编写任何代码。使用我们尖端的工具和用户友好的 Ultralytics App 将图像转化为可操作的见解。今天就免费开始您的旅程吧！

🤔 为何选择 YOLOv5？

YOLOv5 的设计旨在简单易用。我们优先考虑实际性能和可访问性。

• COCO AP val 表示在 交并比 (IoU) 阈值从 0.5 到 0.95 范围内的平均精度均值 (mAP)，在包含 5000 张图像的 COCO val2017 数据集上，使用各种推理尺寸（256 到 1536 像素）测量得出。
• GPU Speed 使用批处理大小为 32 的 AWS p3.2xlarge V100 实例，测量在 COCO val2017 数据集上每张图像的平均推理时间。
• EfficientDet 数据来源于 google/automl 仓库，批处理大小为 8。
• 复现这些结果请使用命令：python val.py --task study --data coco.yaml --iou 0.7 --weights yolov5n6.pt yolov5s6.pt yolov5m6.pt yolov5l6.pt yolov5x6.pt

预训练权重

此表显示了在 COCO 数据集上训练的各种 YOLOv5 模型的性能指标。

| 模型 | 尺寸 <sup>(像素) | mAP<sup>val 50-95 | mAP<sup>val 50 | 速度 <sup>CPU b1 (毫秒) | 速度 <sup>V100 b1 (毫秒) | 速度 <sup>V100 b32 (毫秒) | 参数 <sup>(M) | FLOPs <sup>@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

• Copy

                  | 26.2
  

• Copy

                   | 19.4
  

• Copy

                    | 140.7
  

• Copy

    | 209.8
  

• Copy

          |
  

• 所有预训练权重均使用默认设置训练了 300 个周期。Nano (n) 和 Small (s) 模型使用 hyp.scratch-low.yaml 超参数，而 Medium (m)、Large (l) 和 Extra-Large (x) 模型使用 hyp.scratch-high.yaml。
• mAP^val 值表示在 COCO val2017 数据集上的单模型、单尺度性能。 复现请使用：python val.py --data coco.yaml --img 640 --conf 0.001 --iou 0.65
• 速度指标是在 AWS p3.2xlarge V100 实例上对 COCO val 图像进行平均测量的。不包括非极大值抑制 (NMS) 时间（约 1 毫秒/图像）。 复现请使用：python val.py --data coco.yaml --img 640 --task speed --batch 1
• TTA (测试时增强) 包括反射和尺度增强以提高准确性。 复现请使用：python val.py --data coco.yaml --img 1536 --iou 0.7 --augment

🖼️ 分割

YOLOv5 v7.0 版本 引入了实例分割模型，达到了业界顶尖的性能。这些模型设计用于轻松训练、验证和部署。有关完整详细信息，请参阅发布说明，并探索 YOLOv5 分割 Colab 笔记本以获取快速入门示例。

YOLOv5 分割模型在 COCO 数据集上使用 A100 GPU 以 640 像素的图像大小训练了 300 个周期。模型导出为 ONNX FP32 用于 CPU 速度测试，导出为 TensorRT FP16 用于 GPU 速度测试。所有速度测试均在 Google Colab Pro 笔记本上进行，以确保可复现性。

| 模型 | 尺寸 <sup>(像素) | mAP<sup>box 50-95 | mAP<sup>mask 50-95 | 训练时间 <sup>300 周期 A100 (小时) | 速度 <sup>ONNX CPU (毫秒) | 速度 <sup>TRT A100 (毫秒) | 参数 <sup>(M) | FLOPs <sup>@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 |

• 所有预训练权重均使用 SGD 优化器，lr0=0.01 和 weight_decay=5e-5，在 640 像素的图像大小下，使用默认设置训练了 300 个周期。 训练运行记录在 https://wandb.ai/glenn-jocher/YOLOv5_v70_official。
• 准确度值表示在 COCO 数据集上的单模型、单尺度性能。 复现请使用：python segment/val.py --data coco.yaml --weights yolov5s-seg.pt
• 速度指标是在 Colab Pro A100 High-RAM 实例上对 100 张推理图像进行平均测量的。值仅表示推理速度（NMS 约增加 1 毫秒/图像）。 复现请使用：python segment/val.py --data coco.yaml --weights yolov5s-seg.pt --batch 1
• 导出到 ONNX (FP32) 和 TensorRT (FP16) 是使用 export.py 完成的。 复现请使用：python export.py --weights yolov5s-seg.pt --include engine --device 0 --half

训练

YOLOv5 分割训练支持通过 --data coco128-seg.yaml 参数自动下载 COCO128-seg 数据集。对于完整的 COCO-segments 数据集，请使用 bash data/scripts/get_coco.sh --train --val --segments 手动下载，然后使用 python train.py --data coco.yaml 进行训练。

# 在单个 GPU 上训练
python segment/train.py --data coco128-seg.yaml --weights yolov5s-seg.pt --img 640

# 使用多 GPU 分布式数据并行 (DDP) 进行训练
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 的掩码平均精度均值 (mAP)：

# 下载 COCO 验证分割集 (780MB, 5000 张图像)
bash data/scripts/get_coco.sh --val --segments

# 验证模型
python segment/val.py --weights yolov5s-seg.pt --data coco.yaml --img 640

预测

使用预训练的 YOLOv5m-seg.pt 模型对 bus.jpg 执行分割：

# 运行预测
python segment/predict.py --weights yolov5m-seg.pt --source data/images/bus.jpg

# 从 PyTorch Hub 加载模型（注意：推理支持可能有所不同）
model = torch.hub.load("ultralytics/yolov5", "custom", "yolov5m-seg.pt")

导出

将 YOLOv5s-seg 模型导出为 ONNX 和 TensorRT 格式：

# 导出模型
python export.py --weights yolov5s-seg.pt --include onnx engine --img 640 --device 0

🏷️ 分类

YOLOv5 v6.2 版本 引入了对图像分类模型训练、验证和部署的支持。请查看发布说明了解详细信息，并参阅 YOLOv5 分类 Colab 笔记本获取快速入门指南。

YOLOv5-cls 分类模型在 ImageNet 上使用 4xA100 实例训练了 90 个周期。ResNet 和 EfficientNet 模型在相同设置下一起训练以进行比较。模型导出为 ONNX FP32（用于 CPU 速度测试）和 TensorRT FP16（用于 GPU 速度测试）。所有速度测试均在 Google Colab Pro 上运行，以确保可复现性。

| 模型 | 尺寸 <sup>(像素) | 准确率 <sup>top1 | 准确率 <sup>top5 | 训练 <sup>90 周期 4xA100 (小时) | 速度 <sup>ONNX CPU (毫秒) | 速度 <sup>TensorRT V100 (毫秒) | 参数 <sup>(M) | FLOPs <sup>@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 |

• 所有预训练权重均使用 SGD 优化器，lr0=0.001 和 weight_decay=5e-5，在 224 像素的图像大小下，使用默认设置训练了 90 个周期。 训练运行记录在 https://wandb.ai/glenn-jocher/YOLOv5-Classifier-v6-2。
• 准确度值（top-1 和 top-5）表示在 ImageNet-1k 数据集上的单模型、单尺度性能。 复现请使用：python classify/val.py --data ../datasets/imagenet --img 224
• 速度指标是在 Google Colab Pro V100 High-RAM 实例上对 100 张推理图像进行平均测量的。 复现请使用：python classify/val.py --data ../datasets/imagenet --img 224 --batch 1
• 导出到 ONNX (FP32) 和 TensorRT (FP16) 是使用 export.py 完成的。 复现请使用：python export.py --weights yolov5s-cls.pt --include engine onnx --imgsz 224

训练

YOLOv5 分类训练支持使用 --data 参数自动下载诸如 MNIST、Fashion-MNIST、CIFAR10、CIFAR100、Imagenette、Imagewoof 和 ImageNet 等数据集。例如，使用 --data mnist 开始在 MNIST 上训练。

# 使用 CIFAR-100 数据集在单个 GPU 上训练
python classify/train.py --model yolov5s-cls.pt --data cifar100 --epochs 5 --img 224 --batch 128

# 在 ImageNet 数据集上使用多 GPU DDP 进行训练
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 验证数据集上验证 YOLOv5m-cls 模型的准确性：

# 下载 ImageNet 验证集 (6.3GB, 50,000 张图像)
bash data/scripts/get_imagenet.sh --val

# 验证模型
python classify/val.py --weights yolov5m-cls.pt --data ../datasets/imagenet --img 224

预测

使用预训练的 YOLOv5s-cls.pt 模型对图像 bus.jpg 进行分类：

# 运行预测
python classify/predict.py --weights yolov5s-cls.pt --source data/images/bus.jpg

# 从 PyTorch Hub 加载模型
model = torch.hub.load("ultralytics/yolov5", "custom", "yolov5s-cls.pt")

导出

将训练好的 YOLOv5s-cls、ResNet50 和 EfficientNet_b0 模型导出为 ONNX 和 TensorRT 格式：

# 导出模型
python export.py --weights yolov5s-cls.pt resnet50.pt efficientnet_b0.pt --include onnx engine --img 224

☁️ 环境

使用我们预配置的环境快速开始。点击下面的图标查看设置详情。

🤝 贡献

我们欢迎您的贡献！让 YOLOv5 变得易于访问和有效是社区的共同努力。请参阅我们的贡献指南开始。通过 YOLOv5 调查分享您的反馈。感谢所有为使 YOLOv5 变得更好而做出贡献的人！

📜 许可证

Ultralytics 提供两种许可选项以满足不同需求：

• AGPL-3.0 许可证：一种 OSI 批准的开源许可证，非常适合学术研究、个人项目和测试。它促进开放协作和知识共享。详情请参阅 LICENSE 文件。
• 企业许可证：专为商业应用量身定制，此许可证允许将 Ultralytics 软件和 AI 模型无缝集成到商业产品和服务中，绕过 AGPL-3.0 的开源要求。对于商业用例，请通过 Ultralytics 授权许可联系我们。

📧 联系

对于与 YOLOv5 相关的错误报告和功能请求，请访问 GitHub Issues。对于一般问题、讨论和社区支持，请加入我们的 Discord 服务器！

<a href="https://www.linkedin.com/company/ultralytics/"></a>

<a href="https://twitter.com/ultralytics"></a>

<a href="https://youtube.com/ultralytics?sub_confirmation=1"></a>

<a href="https://www.tiktok.com/@ultralytics"></a>

<a href="https://ultralytics.com/bilibili"></a>

<a href="https://discord.com/invite/ultralytics"></a>