Yolov5

克隆倉庫並在 Python>=3.8.0 環境中安裝 requirements.txt，包括 PyTorch>=1.8。

git clone https://github.com/ultralytics/yolov5  # 克隆倉庫
cd yolov5
pip install -r requirements.txt  # 安裝依賴

使用YOLOv5的 PyTorch Hub 進行推理。模型 會自動從最新的YOLOv5 版本 下載。

import torch

# 模型
model = torch.hub.load("ultralytics/yolov5", "yolov5s")  # 或者選擇 yolov5n - yolov5x6，也支持自定義模型

# 圖像
img = "https://ultralytics.com/images/zidane.jpg"  # 也可以是文件、路徑、PIL、OpenCV、numpy數組或列表

# 推理
results = model(img)

# 結果
results.print()  # 或者使用 .show()、.save()、.crop()、.pandas() 等方法

detect.py 可以對多種數據源進行推理，會自動從最新的YOLOv5 版本 下載 模型 並將結果保存到 runs/detect 目錄。

python detect.py --weights yolov5s.pt --source 0                               # 網絡攝像頭
                                               img.jpg                         # 圖像
                                               vid.mp4                         # 視頻
                                               screen                          # 屏幕截圖
                                               path/                           # 目錄
                                               list.txt                        # 圖像列表
                                               list.streams                    # 流列表
                                               'path/*.jpg'                    # 通配符
                                               'https://youtu.be/LNwODJXcvt4'  # YouTube視頻
                                               'rtsp://example.com/media.mp4'  # RTSP、RTMP、HTTP流

以下命令可以復現YOLOv5在 COCO 數據集上的結果。模型 和 數據集 會自動從最新的YOLOv5 版本 下載。在V100 GPU上，YOLOv5n/s/m/l/x 的訓練時間分別為1/2/4/6/8天（使用 多GPU 可加快訓練速度）。儘量使用最大的 --batch-size，或者傳遞 --batch-size -1 以使用YOLOv5的 AutoBatch 功能。以下是V100-16GB的批量大小示例。

python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5n.yaml  --batch-size 128
                                                                 yolov5s                    64
                                                                 yolov5m                    40
                                                                 yolov5l                    24
                                                                 yolov5x                    16

• 訓練自定義數據 🚀 推薦
• 獲得最佳訓練結果的提示 ☘️
• 多GPU訓練
• PyTorch Hub 🌟 新功能
• TFLite、ONNX、CoreML、TensorRT 導出 🚀
• NVIDIA Jetson 平臺部署 🌟 新功能
• 測試時數據增強 (TTA)
• 模型集成
• 模型剪枝/稀疏化
• 超參數進化
• 凍結層的遷移學習
• 架構概述 🌟 新功能
• 使用Ultralytics HUB訓練和部署YOLO 🚀 推薦
• ClearML 日誌記錄
• 結合Neural Magic的Deepsparse使用YOLOv5
• Comet 日誌記錄 🌟 新功能

• COCO AP val 表示在 COCO val2017 數據集的5000張圖像上，在256到1536的不同推理尺寸下測量的mAP@0.5:0.95指標。
• GPU速度 表示在 COCO val2017 數據集上，使用 AWS p3.2xlarge V100實例，批量大小為32時每張圖像的平均推理時間。
• EfficientDet 數據來自 google/automl，批量大小為8。
• 通過 python val.py --task study --data coco.yaml --iou 0.7 --weights yolov5n6.pt yolov5s6.pt yolov5m6.pt yolov5l6.pt yolov5x6.pt 復現結果。

• 所有預訓練模型均使用默認設置訓練300個epoch。Nano和Small模型使用 hyp.scratch-low.yaml 超參數，其他模型使用 hyp.scratch-high.yaml。
• mAP^val 值是在 COCO val2017 數據集上的單模型單尺度結果。可通過 python val.py --data coco.yaml --img 640 --conf 0.001 --iou 0.65 復現。
• 速度 是在 AWS p3.2xlarge 實例上對COCO驗證集圖像的平均推理時間，不包括NMS時間（約1毫秒/圖像）。可通過 python val.py --data coco.yaml --img 640 --task speed --batch 1 復現。
• TTA 測試時數據增強 包括反射和尺度增強。可通過 python val.py --data coco.yaml --img 1536 --iou 0.7 --augment 復現。

我們使用A100 GPU在COCO數據集上以640的圖像尺寸訓練了YOLOv5分割模型300個epoch。我們將所有模型導出為ONNX FP32進行CPU速度測試，導出為TensorRT FP16進行GPU速度測試。為了便於復現，所有速度測試都在Google Colab Pro 筆記本上進行。

• 所有預訓練模型均使用SGD優化器，在圖像尺寸為640的情況下，以 lr0=0.01 和 weight_decay=5e-5 的默認設置訓練300個epoch。訓練記錄可查看 https://wandb.ai/glenn-jocher/YOLOv5_v70_official。
• 準確率 值是在COCO數據集上的單模型單尺度結果。可通過 python segment/val.py --data coco.yaml --weights yolov5s-seg.pt 復現。
• 速度 是在Google Colab Pro A100高內存實例上對100張推理圖像的平均推理時間，僅表示推理速度（NMS每張圖像約增加1毫秒）。可通過 python segment/val.py --data coco.yaml --weights yolov5s-seg.pt --batch 1 復現。
• 使用 export.py 將模型導出為ONNX FP32和TensorRT FP16。可通過 python export.py --weights yolov5s-seg.pt --include engine --device 0 --half 復現。

分割使用示例  

訓練

YOLOv5分割訓練支持使用 --data coco128-seg.yaml 參數自動下載COCO128-seg分割數據集，也支持手動下載COCO-segments數據集，使用 bash data/scripts/get_coco.sh --train --val --segments 下載數據，然後使用 python train.py --data coco.yaml 進行訓練。

# 單GPU訓練
python segment/train.py --data coco128-seg.yaml --weights yolov5s-seg.pt --img 640

# 多GPU DDP訓練
python -m torch.distributed.run --nproc_per_node 4 --master_port 1 segment/train.py --data coco128-seg.yaml --weights yolov5s-seg.pt --img 640 --device 0,1,2,3

驗證

在COCO數據集上驗證YOLOv5s-seg掩碼的mAP：

bash data/scripts/get_coco.sh --val --segments  # 下載COCO驗證集的分割數據 (780MB, 5000張圖像)
python segment/val.py --weights yolov5s-seg.pt --data coco.yaml --img 640  # 驗證

預測

使用預訓練的YOLOv5m-seg.pt模型對bus.jpg進行預測：

python segment/predict.py --weights yolov5m-seg.pt --source data/images/bus.jpg

model = torch.hub.load(
    "ultralytics/yolov5", "custom", "yolov5m-seg.pt"
)  # 從PyTorch Hub加載模型 (注意：目前暫不支持推理)

導出

將YOLOv5s-seg模型導出為ONNX和TensorRT：

python export.py --weights yolov5s-seg.pt --include onnx engine --img 640 --device 0

我們使用4個A100實例在ImageNet數據集上對YOLOv5-cls分類模型進行了90個epoch的訓練，並使用相同的默認訓練設置同時訓練了ResNet和EfficientNet模型進行比較。我們將所有模型導出為ONNX FP32進行CPU速度測試，導出為TensorRT FP16進行GPU速度測試。為了便於復現，所有速度測試都在Google Colab Pro 上進行。

分類使用示例  

訓練

YOLOv5分類訓練支持使用 --data 參數自動下載MNIST、Fashion-MNIST、CIFAR10、CIFAR100、Imagenette、Imagewoof和ImageNet數據集。例如，使用 --data mnist 開始在MNIST數據集上訓練。

# 單GPU訓練
python classify/train.py --model yolov5s-cls.pt --data cifar100 --epochs 5 --img 224 --batch 128

# 多GPU DDP訓練
python -m torch.distributed.run --nproc_per_node 4 --master_port 1 classify/train.py --model yolov5s-cls.pt --data imagenet --epochs 5 --img 224 --device 0,1,2,3

驗證

在ImageNet-1k數據集上驗證YOLOv5m-cls的準確率：

bash data/scripts/get_imagenet.sh --val  # 下載ImageNet驗證集 (6.3G, 50000張圖像)
python classify/val.py --weights yolov5m-cls.pt --data ../datasets/imagenet --img 224  # 驗證

預測

使用預訓練的YOLOv5s-cls.pt模型對bus.jpg進行預測：

python classify/predict.py --weights yolov5s-cls.pt --source data/images/bus.jpg

model = torch.hub.load("ultralytics/yolov5", "custom", "yolov5s-cls.pt")  # 從PyTorch Hub加載模型

導出

將一組訓練好的YOLOv5s-cls、ResNet和EfficientNet模型導出為ONNX和TensorRT：

python export.py --weights yolov5s-cls.pt resnet50.pt efficientnet_b0.pt --include onnx engine --img 224