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.