YOLOv5
開始之前
請在已安裝 Python>=3.8 和 PyTorch>=1.7 的環境中開始。有關安裝 PyTorch 的資訊，請參見 https://pytorch.com.tw/get-started/locally/。要安裝 YOLOv5 依賴項，請執行以下操作：
pip install -U ultralytics
模型描述
Ultralytics YOLOv5 🚀 是一款尖端、最先進 (SOTA) 的模型，它建立在先前 YOLO 版本的成功基礎之上，並引入了新功能和改進，以進一步提高效能和靈活性。YOLOv5 的設計宗旨是速度快、準確性高且易於使用，使其成為廣泛的物體檢測、例項分割和影像分類任務的絕佳選擇。
我們希望這裡的資源能幫助您充分利用 YOLOv5。請瀏覽 YOLOv5 文件 獲取詳細資訊，在 GitHub 上提交問題以獲得支援，並加入我們的 Discord 社群進行提問和討論！
| 模型 | 尺寸 (畫素) | mAPval 50-95 | mAPval 50 | 速度 CPU b1 (毫秒) | 速度 V100 b1 (毫秒) | 速度 V100 b32 (毫秒) | 引數 (百萬) | FLOPs @640 (億) |
|---|---|---|---|---|---|---|---|---|
| YOLOv5n | 640 | 28.0 | 45.7 | 45 | 6.3 | 0.6 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | 56.8 | 98 | 6.4 | 0.9 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | 64.1 | 224 | 8.2 | 1.7 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | 67.3 | 430 | 10.1 | 2.7 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | 68.9 | 766 | 12.1 | 4.8 | 86.7 | 205.7 |
| YOLOv5n6 | 1280 | 36.0 | 54.4 | 153 | 8.1 | 2.1 | 3.2 | 4.6 |
| YOLOv5s6 | 1280 | 44.8 | 63.7 | 385 | 8.2 | 3.6 | 12.6 | 16.8 |
| YOLOv5m6 | 1280 | 51.3 | 69.3 | 887 | 11.1 | 6.8 | 35.7 | 50.0 |
| YOLOv5l6 | 1280 | 53.7 | 71.3 | 1784 | 15.8 | 10.5 | 76.8 | 111.4 |
| YOLOv5x6 + [TTA] | 1280 1536 | 55.0 55.8 | 72.7 72.7 | 3136 – | 26.2 – | 19.4 – | 140.7 – | 209.8 – |
表格註釋
– 所有檢查點均以預設設定訓練 300 個 epoch。Nano 和 Small 模型使用 [hyp.scratch-low.yaml](https://github.com/ultralytics/yolov5/blob/master/data/hyps/hyp.scratch-low.yaml) 超引數，所有其他模型使用 [hyp.scratch-high.yaml](https://github.com/ultralytics/yolov5/blob/master/data/hyps/hyp.scratch-high.yaml)。 – **mAPval** 值是針對 [COCO val2017](http://cocodataset.org) 資料集上的單模型單尺度。
透過 `python val.py –data coco.yaml –img 640 –conf 0.001 –iou 0.65` 重現 – **速度** 平均於使用 [AWS p3.2xlarge](https://aws.amazon.com/ec2/instance-types/p3/) 例項的 COCO val 影像。不包括 NMS 時間（約 1 毫秒/影像）。
透過 `python val.py –data coco.yaml –img 640 –task speed –batch 1` 重現 – **TTA** [測試時間增強](https://docs.ultralytics.com/yolov5/tutorials/test_time_augmentation) 包括反射和尺度增強。
透過 `python val.py –data coco.yaml –img 1536 –iou 0.7 –augment` 重現
從 PyTorch Hub 載入
此示例載入預訓練的 YOLOv5s 模型並傳入影像進行推理。YOLOv5 接受 URL、 檔名、 PIL、 OpenCV、 Numpy 和 PyTorch 輸入，並以 torch、 pandas 和 JSON 輸出格式返回檢測結果。詳情請參見 YOLOv5 PyTorch Hub 教程。
import torch
# Model
model = torch.hub.load('ultralytics/yolov5', 'yolov5s', pretrained=True)
# Images
imgs = ['https://ultralytics.com/images/zidane.jpg'] # batch of images
# Inference
results = model(imgs)
# Results
results.print()
results.save() # or .show()
results.xyxy[0] # img1 predictions (tensor)
results.pandas().xyxy[0] # img1 predictions (pandas)
# xmin ymin xmax ymax confidence class name
# 0 749.50 43.50 1148.0 704.5 0.874023 0 person
# 1 433.50 433.50 517.5 714.5 0.687988 27 tie
# 2 114.75 195.75 1095.0 708.0 0.624512 0 person
# 3 986.00 304.00 1028.0 420.0 0.286865 27 tie
引用
如果您在研究中使用 YOLOv5 或 YOLOv5u，請按如下方式引用 Ultralytics YOLOv5 儲存庫：
@software{yolov5,
title = {YOLOv5 by Ultralytics},
author = {Glenn Jocher},
year = {2020},
version = {7.0},
license = {AGPL-3.0},
url = {https://github.com/ultralytics/yolov5},
doi = {10.5281/zenodo.3908559},
orcid = {0000-0001-5950-6979}
}
聯絡方式
有關 YOLOv5 的錯誤報告和功能請求，請訪問 GitHub Issues，並加入我們的 Discord 社群進行提問和討論！
