该库代表Ultralytics对未来对象检测方法的开源研究，并结合了以前的YOLO库https://github.com/ultralytics/yolov3在自定义数据集上训练了数千个模型而得到的最佳实践。所有代码和模型都在积极的开发中，如有修改或删除，恕不另行通知。如果使用，风险自负。
GPU速度测量：使用V100的GPU在超过5000张COCO val2017图像上测量批处理大小为8的平均每张图像的端到端时间，包括图像预处理，PyTorch FP16推断，后处理和NMS。
- 2020年6月22日：PANet更新：新的特性，更少的参数，更快的推理和改进的mAP 364fcfd。
- 2020年6月19日：FP16作为新的默认设置，可用于更小的检查点和更快的推断d4c6674。
- 2020年6月9日：CSP更新：改进了速度，大小和准确性（归功于@WongKinYiu）。
- 2020年5月27日：公开发布库。YOLOv5模型是所有已知YOLO实现中最先进(SOTA)的。
- 2020年4月1日：未来开始发展基于YOLOv3 / YOLOv4的一系列PyTorch模型。
预训练的检查点(checkpoints)
| Model | APval | APtest | AP50 | SpeedGPU | FPSGPU | params | FLOPS | |
|---|---|---|---|---|---|---|---|---|
| YOLOv5s | 36.6 | 36.6 | 55.8 | 2.1ms | 476 | 7.5M | 13.2B | |
| YOLOv5m | 43.4 | 43.4 | 62.4 | 3.0ms | 333 | 21.8M | 39.4B | |
| YOLOv5l | 46.6 | 46.7 | 65.4 | 3.9ms | 256 | 47.8M | 88.1B | |
| YOLOv5x | 48.4 | 48.4 | 66.9 | 6.1ms | 164 | 89.0M | 166.4B | |
| YOLOv3-SPP | 45.6 | 45.5 | 65.2 | 4.5ms | 222 | 63.0M | 118.0B |
** AP测试表示COCOtest-dev2017服务器结果，表中所有其他AP结果表示val2017准确性。
**所有AP编号均适用于单模型单尺度，而没有集成或测试时间增加。通过python test.py --img 736 --conf 0.001进行使用。
**速度GPU测量：进行再现使用一个V100的GPU和一个GCPn1-standard-16实例在超过5000张COCO val2017图像上测量每张图像的端到端时间，包括图像预处理，PyTorch FP16图像推断（批量大小 32 --img-size 640），后处理和NMS。此图表中包括的平均NMS时间为1-2ms / img。通过python test.py --img 640 --conf 0.1进行测试。
**所有检查点均使用默认的设置和超参数训练到300个epochs（无自动增强）。
要求
Python 3.7或更高版本，安装了requirements.txt要求的所有的库和torch >= 1.5，运行下面命令进行安装：
$ pip install -U -r requirements.txt
教程
-
Notebook
Kaggle
Train Custom Data
PyTorch Hub
ONNX and TorchScript Export
Test-Time Augmentation (TTA)
Google Cloud Quickstart
-
Docker Quickstart
推断
可以在大多数常见的媒体格式上进行推断。模型检查点（在网上如果有对应的检查点的话）会自动下载。结果保存到./inference/output。
$ python detect.py --source file.jpg # image
file.mp4 # video
./dir # directory
0 # webcam
rtsp://170.93.143.139/rtplive/470011e600ef003a004ee33696235daa # rtsp stream
http://112.50.243.8/PLTV/88888888/224/3221225900/1.m3u8 # http stream
要对./inference/images文件夹中的示例进行推断，请执行以下操作：
$ python detect.py --source ./inference/images/ --weights yolov5s.pt --conf 0.4
Namespace(agnostic_nms=False, augment=False, classes=None, conf_thres=0.4, device='', fourcc='mp4v', half=False, img_size=640, iou_thres=0.5, output='inference/output', save_txt=False, source='./inference/images/', view_img=False, weights='yolov5s.pt')
Using CUDA device0 _CudaDeviceProperties(name='Tesla P100-PCIE-16GB', total_memory=16280MB)
Downloading https://drive.google.com/uc?export=download&id=1R5T6rIyy3lLwgFXNms8whc-387H0tMQO as yolov5s.pt... Done (2.6s)
image 1/2 inference/images/bus.jpg: 640x512 3 persons, 1 buss, Done. (0.009s)
image 2/2 inference/images/zidane.jpg: 384x640 2 persons, 2 ties, Done. (0.009s)
Results saved to /content/yolov5/inference/output
复现我们的训练
下载COCO，安装Apex并在运行下面命令。在一台有V100的GPU上，YOLOv5s / m / l / x的训练时间为2/4/6/8天（多个GPU的训练速度更快）。使用您的GPU允许的最大--batch-size容量（下面的batchsize是为16 GB设备而设置的）。
$ python train.py --data coco.yaml --cfg yolov5s.yaml --weights '' --batch-size 64
yolov5m 48
yolov5l 32
yolov5x 16
复现我们的环境
要访问最新的工作环境（已预安装所有库，包括CUDA / CUDNN，Python和PyTorch），请考虑以下网站：
Google Cloud 深度学习VM，提供$300的免费赠金：请参阅我们的GCP快速入门指南
-
Google Colab Notebook 具有12小时的免费GPU时间。
Docker Image https://hub.docker.com/r/ultralytics/yolov5 .请参阅 Docker快速入门指南
引用
原文链接：https://github.com/ultralytics/yolov5
欢迎关注磐创AI博客站：
http://panchuang.net/
sklearn机器学习中文官方文档：
http://sklearn123.com/
欢迎关注磐创博客资源汇总站：
http://docs.panchuang.net/