CV之DL之YOLOv5：YOLOv5的简介、安装、使用方法之详细攻略

一个处女座的程序猿

已于 2024-01-04 10:18:36 修改

阅读量2.7w

点赞数 6

分类专栏： Computer knowledge 文章标签： YOLOv5 计算机视觉目标检测

于 2020-09-09 21:18:56 首次发布

本文链接：https://blog.csdn.net/qq_41185868/article/details/108502576

版权

Computer knowledge 专栏收录该内容

743 篇文章 210 订阅

订阅专栏

CV之DL之YOLOv5：YOLOv5的简介、安装、使用方法之详细攻略

5、Ultralytics提供以下预装好必需依赖的就绪环境,方便用户直接开展项目

YOLOv5的使用方法

YOLOv5的简介

背景痛点

传统的目标检测模型训练过程通常比较复杂，对于新手来说难度大

模型预测速度往往不能满足实时要求，难以在移动端或边缘场景下实现

主要解决方案

YOLOv5采用PyTorch开发，使模型训练过程变得很简单。它提供了自动下载预训练模型和数据集的功能，一键训练模型

YOLOv5支持常见的OpenVINO、ONNX、CoreML、TensorRT等量化格式，可以方便的在移动或边缘设备上实现快速预测

项目提供了丰富的预训练模型，如yolov5n、yolov5s等不同大小和精度的模型，满足不同场景需求。

核心特点

易用性强，支持一键式训练、验证、预测流程

预测速度快，支持到毫秒级实时推理

开源免费，支持多种框架和设备，如PyTorch、ONNX、CoreML、TensorRT等

模型大小可选，从2M的yolov5n到86M的yolov5x，适应不同产品场景

性能优异，在COCO目标检测 benchmark上评估结果在国内外领先水平

2020年6月26日，YOLOv5在GitHub正式发布，YOLOv5是革命性的“一次看一眼”目标检测模型的第五次迭代，旨在实时提供高速、高准确度的结果。YOLOv5 通过 PyTorch、ONNX、CoreML、Tflite 实现。YOLOv5通过采用流行框架PyTorch开发，使模型训练简单；同时支持多种量化格式化，可以在移动端快速高效推理，极大缩短产品研发周期，在工业应用价值很高。

基于PyTorch构建的这个强大深度学习框架以其多功能性、易用性和高性能而赢得了极大的声望。我们的文档将引导您完成安装过程，解释模型的架构细微差别，展示各种用例，并提供一系列详细的教程。这些资源将帮助您充分发挥YOLOv5在计算机视觉项目中的潜力。让我们开始吧！

GitHub地址：GitHub - ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite

pytorch版本：YOLOv5 | PyTorch

YOLOv5的安装

请查看YOLOv5文档，了解有关训练、测试和部署的完整文档。以下是快速入门示例。

1、安装

在Python>=3.8.0环境中克隆存储库并安装requirements.txt，包括PyTorch>=1.8。

git clone https://github.com/ultralytics/yolov5  # 克隆
cd yolov5
pip install -r requirements.txt  # 安装

2、推理

使用YOLOv5 PyTorch Hub进行推理。模型会自动从最新的YOLOv5发布中下载。

import torch

# 模型
model = torch.hub.load("ultralytics/yolov5", "yolov5s")  # 或 yolov5n - yolov5x6，或自定义

# 图像
img = "https://ultralytics.com/images/zidane.jpg"  # 或文件、路径、PIL、OpenCV、numpy、列表

# 推理
results = model(img)

# 结果
results.print()  # 或 .show()、.save()、.crop()、.pandas() 等

3、使用detect.py进行推理

detect.py对各种来源运行推理，从最新的YOLOv5发布中自动下载模型，并将结果保存到runs/detect中。

python detect.py --weights yolov5s.pt --source 0                               # webcam
                                               img.jpg                         # image
                                               vid.mp4                         # video
                                               screen                          # screenshot
                                               path/                           # directory
                                               list.txt                        # list of images
                                               list.streams                    # list of streams
                                               'path/*.jpg'                    # glob
                                               'https://youtu.be/LNwODJXcvt4'  # YouTube
                                               'rtsp://example.com/media.mp4'  # RTSP, RTMP, HTTP stream

4、训练

以下命令重现了YOLOv5 COCO结果。模型和数据集会自动从最新的YOLOv5发布中下载。在V100 GPU上，YOLOv5n/s/m/l/x的训练时间分别为1/2/4/6/8天（使用多GPU时速度更快）。尽量使用最大的--batch-size，或者对于YOLOv5 AutoBatch，传递--batch-size -1。V100-16GB的批次大小如下所示。

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