ultralytics/yolov 5：YOLOv 5在PyTorch中运行> ONNX > CoreML > TFLite🚀
中文 | 한국어 | 日本語 | Русский |Deutsch|弗朗索瓦|西班牙|葡萄牙人|蒂尔克切|天薇| العربيةUltralytics YOLOv 5 SYS是由Ultralytics开发的尖端、最先进的（SOTA）计算机视觉模型。
YOLOv 5基于PyTorch框架，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和最佳实践，使其成为广泛视觉人工智能任务（包括对象检测、图像分割和图像分类）的热门选择。我们希望这里的资源可以帮助您充分利用YOLOv 5。
请浏览YOLOv 5收件箱了解详细信息，在GitHub上提出问题寻求支持，并加入我们的Discord社区进行问题和讨论！要申请企业许可证，请在Ultralytics Licensing填写表格。
我们很高兴宣布推出Ultralytics YOLO 11，这是我们最先进（SOTA）视觉模型的最新进展！🚀YOLO 11现已在Ultralytics YOLO GitHub存储库中提供，它建立在我们在速度、精确性和易用性方面的传统之上。
无论您是处理对象检测、实例分割、姿态估计、图像分类还是定向对象检测（OBB），YOLO 11都能提供在各种应用中脱颖而出所需的性能和多功能性。立即开始并释放YOLO 11的全部潜力！
访问Ultralytics收件箱以获取全面的指南和资源：#安装ultralytics包pip安装ultralytics有关培训、测试和部署的完整文档，请参阅YOLOv 5收件箱。请参阅下面的快速入门示例。
安装克隆存储库并在Python中安装依赖项>=3。8. 0环境。确保您的PyTorch>=1。8已安装。#克隆YOLOv 5存储库git克隆https：//github。
com/ultralytics/yolov5#导航到克隆目录cd yolov5#安装所需的软件包pip install -r要求。txt与PyTorch Hub的推理通过PyTorch Hub使用YOLOv 5进行推断。
模型从最新的YOLOv 5版本自动下载。进口火炬#加载YOLOv 5模型（选项：yolov 5 n、yolov 5s、yolov 5 m、yolov 5l、yolov 5x）模型=火炬。
枢纽加载（“ultralytics/yolov 5”，“yolov 5s”）#默认：yolov 5s#定义输入图像源（URL、本地文件、PIL图像、OpenCV框架、numpy数组或列表）IMG =”https：//ultralytics。
com/images/zidane。jpg '#示例图像#执行推断（自动处理预设、预设、规范化）结果=模型（IMG）#处理结果（选项：。print（），。show（），。Save（），。crop（），。
熊猫（））结果print（）#将结果打印到控制台结果show（）#在窗口中显示结果结果Save（）#将结果保存到运行/检测/BEP与检测的推理。py检测。py脚本对各种来源运行推理。
它自动下载最新YOLOv 5版本的模型，并将结果保存到运行/检测目录. #使用网络摄像头运行推断Python检测。py --权重yolov 5s。pt --source 0#对本地图像文件运行推断Python检测。
py --权重yolov 5s。pt --source IMG。JPG#对本地视频文件运行推断Python检测。py --权重yolov 5s。pt --source vid。MP4#在屏幕截图上运行推断Python检测。
py --权重yolov 5s。pt --源屏幕#在图像目录上运行推理Python检测。py --权重yolov 5s。pt --source path/to/images/#对列出图像路径的文本文件运行推断Python检测。
py --权重yolov 5s。pt --源列表。txt#对列出流URL的文本文件运行推断Python检测。py --权重yolov 5s。pt --源列表。流#使用图像的球状模式运行推断Python检测。
py --权重yolov 5s。pt --source 'path/to/*. jpg '#在YouTube视频URL上运行推理Python检测。py --权重yolov 5s。pt --source ' https：//youtu。
be/LNwODJXcvt4 '#对RSC、RTMP或HTTP流运行推断Python检测。py --权重yolov 5s。pt --source ' rtSP：//示例。com/media。mp4 '培训下面的命令演示如何重现YOLOv 5 COCO数据集结果。
模型和数据集都是从最新的YOLOv 5版本自动下载的。YOLOv 5 n/s/m/l/x的训练时间约为1/2/4/6/8天，在单个NVIDIA V100图形处理器上。
使用多图形处理器训练可以显着减少训练时间。使用最大的--批量您的硬件允许或使用--batch-size -1适用于YOLOv 5 AutoBlock。下面显示的批量大小适用于V100- 16 GB GPU。
#在COCO上训练YOLOv 5 n 300 epochs巨蟒列车py --data coco. yaml --epochs 300 --weights '--CGM yolov 5n。yaml --批量128#在COCO上训练YOLOv 5 300个纪元蟒蛇火车。
py --data coco。yaml --epochs 300 --weights '--CGM yolov 5s。yaml --批量64#在COCO上训练YOLOv 5 m，持续300个纪元巨蟒列车py --data coco。
yaml --epochs 300 --weights '--CGM yolov 5 m。yaml --批量40#在COCO上训练YOLOv 5l 300个纪元巨蟒列车py --data coco。
yaml --epochs 300 --weights '--CGM yolov 5l。yaml --批量24#在COCO上训练YOLOv 5x 300个纪元蟒蛇火车。py --data coco。
yaml --epochs 300 --weights '--CGM yolov 5x。yaml --批量16教程- 训练自定义数据库推荐：了解如何在您自己的数据集上训练YOLOv 5。- 获得最佳培训结果的提示收件箱：使用专家提示提高模型的性能。
- 多图形处理器训练：使用多个图形处理器加速训练。- PyTorch Hub集成trannew：使用PyTorch Hub轻松加载模型。
- 模型输出（TFLite、ONNX、CoreML、TensorRT）格式：将您的模型转换为各种部署格式，例如ONNX或TensorRT。- NVIDIA Jetson部署transnew：在NVIDIA Jetson设备上部署YOLOv 5。
- 测试时间增强（TTA）：通过TTA提高预测准确性。
- 模型集成：组合多个模型以获得更好的性能。- 模型修剪/稀疏性：优化模型的大小和速度。- 超参数进化：自动找到最佳训练超参数。- 使用冻结层的迁移学习：使用迁移学习有效地使预训练的模型适应新任务。
- 架构摘要transnew：了解YOLOv 5模型架构。- Ultralytics平台培训计划推荐：使用Ultralytics平台培训和部署YOLO模型。- ClearML日志：与ClearML集成以进行实验跟踪。
- 神经魔法DeepSparse集成：使用DeepSparse加速推理。- Comet Logging transnew：使用Comet ML进行日志实验。
我们与领先的人工智能平台的关键集成扩展了Ultralytics产品的功能，增强了数据集标签、培训、可视化和模型管理等任务。
了解Ultralytics如何与Weights & Biases、Comet ML、Roboflow和Intel OpenVINO等合作伙伴合作，优化您的人工智能工作流程。请访问Ultralytics Integrations了解更多信息。
使用Ultralytics Platform Buttons体验无缝人工智能开发，这是构建、训练和部署计算机视觉模型的终极平台。可视化数据集，训练YOLOv 5和YOLOv 8收件箱模型，并将它们部署到现实世界的应用程序中，而无需编写任何代码。
使用我们的尖端工具和用户友好的Ultralytics应用程序将图像转化为可操作的见解。立即开始您的免费旅程！
YOLOv 5旨在简单且易于使用。我们优先考虑现实世界的性能和可访问性。图注释- COCO AP val表示从0开始的联合交叉点（IoU）阈值处的平均平均精度（mAP）。五比零。
95，在5，000张图像COCO val 2017数据集上测量，跨越各种推断大小（256至1536像素）。- GPU速度使用AWS p3测量COCO val 2017数据集上每个图像的平均推理时间。
2xlarge V100实例，批量大小为32。- EfficientDet数据来自google/automl存储库，批量大小为8。- 使用命令重现这些结果：Python val。py --任务研究--数据coco。
yaml --iou 0。7 --重量yolov 5 n6。pt yolov 5s6。pt yolov 5 m6。pt yolov 5l6。pt yolov 5x6。PT此表显示了在COCO数据集上训练的各种YOLOv 5模型的性能指标。
表N