YOLOv5项目详细介绍

项目概述

Ultralytics YOLOv5 🚀 是一个前沿的、最先进的(SOTA)计算机视觉模型，由Ultralytics开发。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。

项目地址: https://github.com/ultralytics/yolov5

核心特性

多任务支持

YOLOv5支持多种计算机视觉任务：

• 目标检测: 识别和定位图像中的多个对象
• 实例分割: 像素级别的对象分割
• 图像分类: 单张图像的类别分类

技术优势

关键特性包括实时推理、支持多种训练技巧如测试时间增强(TTA)和模型集成，以及与TFLite、ONNX、CoreML和TensorRT等导出格式的兼容性。

模型架构与性能

模型规格

YOLOv5提供多种模型尺寸以满足不同需求：

模型	参数量(M)	速度	准确性	适用场景
YOLOv5n	1.9	最快	较低	移动设备、边缘计算
YOLOv5s	7.2	快	中等	通用应用
YOLOv5m	21.2	中等	较高	平衡性能
YOLOv5l	46.5	较慢	高	高精度需求
YOLOv5x	86.7	最慢	最高	最高精度需求

性能指标

在COCO数据集上的表现：

• YOLOv5s: mAP@0.5:0.95 = 37.4%，速度6.4ms（V100）
• YOLOv5m: mAP@0.5:0.95 = 45.4%，速度8.2ms（V100）
• YOLOv5l: mAP@0.5:0.95 = 49.0%，速度10.1ms（V100）
• YOLOv5x: mAP@0.5:0.95 = 50.7%，速度12.1ms（V100）

安装与快速开始

环境要求

• Python >= 3.8.0
• PyTorch >= 1.8

安装步骤

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

# 安装依赖
pip install -r requirements.txt

使用PyTorch Hub进行推理

import torch

# 加载YOLOv5模型
model = torch.hub.load("ultralytics/yolov5", "yolov5s")

# 定义输入图像源
img = "https://ultralytics.com/images/zidane.jpg"

# 执行推理
results = model(img)

# 处理结果
results.print()  # 打印结果到控制台
results.show()   # 在窗口中显示结果
results.save()   # 保存结果到runs/detect/exp

命令行推理

# 使用摄像头推理
python detect.py --weights yolov5s.pt --source 0

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

# 对视频文件推理
python detect.py --weights yolov5s.pt --source vid.mp4

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

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

训练自定义模型

训练命令示例

# 在COCO数据集上训练YOLOv5s，300个epoch
python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5s.yaml --batch-size 64

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

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

多GPU训练

# 使用多GPU分布式训练
python -m torch.distributed.run --nproc_per_node 4 --master_port 1 train.py --data coco.yaml --weights '' --cfg yolov5s.yaml --batch-size 64 --device 0,1,2,3

实例分割功能

YOLOv5 v7.0版本引入了实例分割功能，在COCO数据集上达到了最先进的性能。

分割模型性能

模型	mAP^box	mAP^mask	参数量(M)	速度(ms)
YOLOv5n-seg	27.6	23.4	2.0	59.2
YOLOv5s-seg	37.6	32.0	7.6	63.7
YOLOv5m-seg	45.0	37.1	22.0	89.5
YOLOv5l-seg	49.0	39.9	47.8	168.4
YOLOv5x-seg	50.7	41.4	88.8	265.7

分割训练示例

# 训练分割模型
python segment/train.py --data coco128-seg.yaml --weights yolov5s-seg.pt --img 640

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

# 使用分割模型进行预测
python segment/predict.py --weights yolov5m-seg.pt --source data/images/bus.jpg

图像分类功能

YOLOv5 v6.2版本新增了图像分类功能，在ImageNet数据集上训练90个epoch的结果：

分类模型性能

模型	Top1准确率	Top5准确率	参数量(M)	速度(ms)
YOLOv5s-cls	71.5%	90.2%	5.5	1.7
YOLOv5m-cls	75.9%	92.9%	13.0	2.8
YOLOv5l-cls	78.0%	94.0%	27.4	4.9
YOLOv5x-cls	79.0%	94.4%	55.4	8.7

分类训练示例

# 在CIFAR-100数据集上训练
python classify/train.py --model yolov5s-cls.pt --data cifar100 --epochs 5 --img 224 --batch 128

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

# 图像分类预测
python classify/predict.py --weights yolov5s-cls.pt --source data/images/bus.jpg

模型导出与部署

YOLOv5支持多种部署格式：

# 导出到ONNX格式
python export.py --weights yolov5s.pt --include onnx

# 导出到TensorRT格式
python export.py --weights yolov5s.pt --include engine

# 导出到CoreML格式（适用于iOS）
python export.py --weights yolov5s.pt --include coreml

# 导出到TFLite格式（适用于移动设备）
python export.py --weights yolov5s.pt --include tflite

高级功能

测试时间增强(TTA)

通过反射和尺度增强提高预测准确性：

python val.py --data coco.yaml --img 1536 --iou 0.7 --augment

模型集成

结合多个模型以获得更好的性能：

python val.py --data coco.yaml --weights yolov5s.pt yolov5m.pt yolov5l.pt yolov5x.pt

超参数进化

自动寻找最佳训练超参数：

python train.py --data coco.yaml --evolve 300

集成与生态系统

YOLOv5与多个主流AI平台深度集成：

• Weights & Biases: 实验跟踪和可视化
• Comet ML: 实验管理和监控
• Roboflow: 数据标注和管理
• Intel OpenVINO: 模型优化和部署
• Neural Magic: 模型稀疏化和加速
• Ultralytics HUB: 一站式训练和部署平台

社区与支持

• GitHub仓库: https://github.com/ultralytics/yolov5
• 官方文档: https://docs.ultralytics.com/yolov5/
• Discord社区: https://discord.com/invite/ultralytics
• 问题反馈: https://github.com/ultralytics/yolov5/issues

总结

YOLOv5作为目标检测领域的重要里程碑，凭借其出色的性能、易用性和丰富的功能，已成为学术研究和工业应用的首选框架。无论是初学者还是专业开发者，都能在YOLOv5的生态系统中找到适合的解决方案。