YOLOv5 在 COCO 数据集上预训练的物体检测架构和模型系列

YOLOv5 是一个在COCO数据集上预训练的物体检测架构和模型系列，它代表了 Ultralytics 对未来视觉AI方法的公开研究，其中包含了在数千小时的研究和开发中所获得的经验和最佳实践。

文件

请参阅 YOLOv5 Docs，了解有关训练、测试和部署的完整文件。

快速开始案例

安装

在 Python>=3.7.0 的环境中克隆版本仓并安装 requirements.txt，包括 PyTorch>=1.7。

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

推理

YOLOv5 PyTorch Hub 推理，模型 自动从最新YOLOv5 版本 下载。

import torch

# 模型
model = torch.hub.load(ultralytics/yolov5, yolov5s)  # or yolov5n - yolov5x6, custom

# 图像
img = https://ultralytics.com/images/zidane.jpg  # or file, Path, PIL, OpenCV, numpy, list

# 推理
results = model(img)

# 结果
results.print()  # or .show(), .save(), .crop(), .pandas(), etc.

用 detect.py 进行推理

detect.py 在各种数据源上运行推理, 其会从最新的 YOLOv5 版本 中自动下载 模型 并将检测结果保存到 runs/detect 目录。

python detect.py --source 0  # 网络摄像头
                          img.jpg  # 图像
                          vid.mp4  # 视频
                          path/  # 文件夹
                          path/*.jpg  # glob
                          https://youtu.be/Zgi9g1ksQHc  # YouTube
                          rtsp://example.com/media.mp4  # RTSP, RTMP, HTTP 流

训练

以下指令再现了 YOLOv5 COCO 数据集结果，模型 和 数据集 自动从最新的 YOLOv5 版本 中下载。YOLOv5n/s/m/l/x 的训练时间在 V100 GPU 上是 1/2/4/6/8 天（多 GPU 倍速），尽可能使用最大的 --batch-size，或通过 --batch-size -1 来实现 YOLOv5 自动批处理，批量大小显示为 V100-16GB。

python train.py --data coco.yaml --cfg yolov5n.yaml --weights  --batch-size 128
                                       yolov5s                                64
                                       yolov5m                                40
                                       yolov5l                                24
                                       yolov5x                                16

教程

• 训练自定义数据集 推荐
• 获得最佳训练效果的技巧 推荐
• 多GPU训练
• PyTorch Hub 新
• TFLite, ONNX, CoreML, TensorRT 输出
• 测试时数据增强 (TTA)
• 模型集成
• 模型剪枝/稀疏性
• 超参数进化
• 带有冻结层的迁移学习
• 架构概要 新
• 使用Weights & Biases 记录实验
• Roboflow：数据集，标签和主动学习 新
• 使用ClearML 记录实验 新
• Deci 平台 新

环境

使用经过我们验证的环境，几秒钟就可以开始。点击下面的每个图标了解详情。

如何与第三方集成

为什么选择 YOLOv5

YOLOv5-P5 640 图像

图片注释

• COCO AP val 表示 mAP@0.5:0.95 在5000张图像的COCO val2017数据集上，在256到1536的不同推理大小上测量的指标。
• GPU Speed 衡量的是在 COCO val2017 数据集上使用 AWS p3.2xlarge V100实例在批量大小为32时每张图像的平均推理时间。
• EfficientDet 数据来自 google/automl ，批量大小设置为 8。
• 复现 mAP 方法: 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

表格注释

• 所有检查点都以默认设置训练到300个时期. Nano和Small模型用 hyp.scratch-low.yaml hyps, 其他模型使用 hyp.scratch-high.yaml.
• mAP^val 值是 COCO val2017 数据集上的单模型单尺度的值。
  复现方法: python val.py --data coco.yaml --img 640 --conf 0.001 --iou 0.65
• 使用 AWS p3.2xlarge 实例对COCO val图像的平均速度。不包括NMS时间（~1 ms/img)
  复现方法: python val.py --data coco.yaml --img 640 --task speed --batch 1
• TTA 测试时数据增强 包括反射和比例增强.
  复现方法: python val.py --data coco.yaml --img 1536 --iou 0.7 --augment

分类 新

YOLOv5 发布的 v6.2版本 支持训练，验证，预测和输出分类模型！这使得训练分类器模型非常简单。点击下面开始尝试！

分类检查点

我们在 ImageNet 上使用了 4xA100 的实例训练 YOLOv5-cls 分类模型90个epochs，并以相同的默认设置同时训练了ResNet和EfficientNet模型来进行比较。我们将所有的模型导出到ONNX  FP32 进行 CPU 速度测试，又导出到 TensorRT FP16 进行 GPU 速度测试。最后，为了方便重现，我们在Google Colab Pro上进行了所有的速度测试。

表格注释

• 所有检查点都被SGD优化器训练到90 epochs, lr0=0.001 和 weight_decay=5e-5， 图像大小为 224，全为默认设置。
  运行数据记录于 https://wandb.ai/glenn-jocher/YOLOv5-Classifier-v6-2。
• 准确度 值为ImageNet-1k数据集上的单模型单尺度。
  通过python classify/val.py --data ../datasets/imagenet --img 224进行复制。
• 使用Google Colab Pro V100 High-RAM实例得出的100张推理图像的平均速度。
  通过 python classify/val.py --data ../datasets/imagenet --img 224 --batch 1 进行复制。
• 用export.py导出到FP32的ONNX和FP16的TensorRT。
  通过 python export.py --weights yolov5s-cls.pt --include engine onnx --imgsz 224 进行复制。

分类使用实例

训练

YOLOv5 分类训练支持自动下载 MNIST, Fashion-MNIST, CIFAR10, CIFAR100, Imagenette, Imagewoof 和 ImageNet 数据集，并使用 --data 参数，打个比方，在 MNIST 上使用 --data mnist开始训练。

# 单GPU
python classify/train.py --model yolov5s-cls.pt --data cifar100 --epochs 5 --img 224 --batch 128

# 多 - GPU DDP
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-cl的准确性:

bash data/scripts/get_imagenet.sh --val  # download ImageNet val split (6.3G, 50000 images)
python classify/val.py --weights yolov5m-cls.pt --data ../datasets/imagenet --img 224  # validate

预测

用提前训练好的YOLOv5s-cls.pt去预测bus.jpg:

python classify/predict.py --weights yolov5s-cls.pt --data data/images/bus.jpg

model = torch.hub.load(ultralytics/yolov5, custom, yolov5s-cls.pt)  # load from PyTorch Hub

导出

导出一组训练好的YOLOv5s-cls, ResNet和EfficientNet模型到ONNX和TensorRT:

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