ultralytics /yolov5

Ultralytics YOLOv5 in PyTorch for object detection, instance segmentation, classification, training, and export.

★ 58,272⑂ 17,434👁 379⑃ 3,071● 9,428▤ 10
PythonAGPL-3.0Created 2020-05-18docs.ultralytics.com/yolov5/
下载:v7.0 - YOLOv5 SOTA Realtime Instance Segmentationv7.0 ↓7.02022-11-22
+5
日增长
+17
周增长
+92
月增长
58,272
stars
17,434
forks
379
watchers
3,071
prs
9,428
issues
10
releases

README

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


    
    
      
    
    
    
    
  
  

Ultralytics YOLOv5 🚀 是由 Ultralytics 开发的一款快速、准确且易于使用的计算机视觉模型。基于 PyTorch 框架,YOLOv5 以其速度、准确性和简洁性而闻名。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 任务中热门而可靠的选择,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。


  
  
  
  
  
  
  
  
  
  
  
  
  





 🚀 探索 Ultralytics YOLO 生态系统

YOLOv5 是一个成熟、经过生产验证的模型,仍然是快速可靠的目标检测、实例分割和图像分类的绝佳选择。如果您的项目需要最新的架构、姿态估计和旋转目标检测 (OBB)等额外任务,或统一的 Python 与 CLI 接口,那么持续维护的 ultralytics 包将最新的 Ultralytics YOLO 模型汇集于一处。浏览 Ultralytics 文档以找到最适合您用例的方案。

bash
 安装 ultralytics 包以获取最新的 Ultralytics YOLO 模型
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。


安装

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。

bash
 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





使用 PyTorch Hub 进行推理

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。

python
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





使用 detect.py 进行推理

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。

bash
 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'





训练

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。

bash
 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.

Top issues

Discussions

Latest release

v7.0 - YOLOv5 SOTA Realtime Instance Segmentation v7.0 2022-11-22
[assets]: https://github.com/ultralytics/yolov5/releases
[previous]: https://github.com/ultralytics/yolov5/releases/tag/v6.2
[current]: https://github.com/ultralytics/yolov5/releases/tag/v7.0
[TTA]: https://github.com/ultralytics/yolov5/issues/303







Our new YOLOv5 v7.0 instance segmentation models are the fastest and most accurate in the world, beating all current SOTA benchmarks. We've made them super simple to train, validate and deploy. See full details in our Release Notes and visit our YOLOv5 Segmentation Colab Notebook for quickstart tutorials.







Our primary 

Snapshot: 2026-11-16T09:23:14Z · Data license Apache-2.0 · JSON