Ultralytics YOLOv5#

YOLOv5

ultralytics

public

Released June 2020. The foundational PyTorch implementation, battle-tested across millions of deployments. Ideal for teams with existing YOLOv5 workflows.

25 models359.3 MBMay 21, 2026

yolov5nuyolov5xuyolov5lu+2

概述#

YOLOv5u 代表了目标检测方法论的一项进展。YOLOv5u 源自 Ultralytics 开发的YOLOv5模型的基础架构，整合了无锚框（anchor-free）、无目标性（objectness-free）的分离头，这一特性此前已在YOLOv8模型中引入。这种改进优化了模型的架构，从而在目标检测任务中实现了更出色的准确率与速度权衡。结合实验结果及其衍生特性，YOLOv5u 为在研究和实际应用中寻求稳健解决方案的用户提供了一个高效的替代方案。

主要特性#

• 无锚点分离式 Ultralytics 检测头： 传统的目标检测模型依赖预定义的锚框来预测物体位置。然而，YOLOv5u 对这一方法进行了现代化升级。通过采用无锚点分离式 Ultralytics 检测头，它确保了更灵活、更具自适应性的检测机制，从而在多种场景中提升了性能。

• 优化的准确率与速度权衡： 速度和准确率往往背道而驰。但 YOLOv5u 改变了这种权衡。它提供了经过精细校准的平衡，在不牺牲准确率的前提下确保了实时检测。对于自动驾驶汽车、机器人技术和实时视频分析等对响应速度要求极高的应用而言，这一特性尤为宝贵。

• 多种预训练模型： 考虑到不同任务需要不同的工具集，YOLOv5u 提供了丰富的预训练模型。无论你专注于推理 (Inference)、验证 (Validation) 还是训练 (Training)，总有一款量身定制的模型在等你。这种多样性确保了你使用的不再是“万金油”式的通用方案，而是针对你独特挑战专门微调过的模型。

支持的任务和模式#

带有各种预训练权重的 YOLOv5u 模型在目标检测任务中表现出色。它们支持全面的模式，使其适用于从开发到部署的各种应用场景。

本表详细概述了 YOLOv5u 模型变体，重点介绍了它们在目标检测任务中的适用性，以及对推理、验证、训练和导出等各种操作模式的支持。这种全面的支持确保用户能够在广泛的目标检测场景中充分发挥 YOLOv5u 模型的潜力。

性能指标#

使用示例#

本示例提供了简单的 YOLOv5 训练和推理示例。有关这些以及其他模式的完整文档，请参阅预测、训练、验证和导出文档页面。

from ultralytics import YOLO

# Load a COCO-pretrained YOLOv5n model
model = YOLO("yolov5n.pt")

# Display model information (optional)
model.info()

# Train the model on the COCO8 example dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference with the YOLOv5n model on the 'bus.jpg' image
results = model("path/to/bus.jpg")

引用与致谢#

如果你在研究中使用 YOLOv5 或 YOLOv5u，请按如下方式引用 Ultralytics YOLOv5 仓库：

@software{yolov5,
  title = {Ultralytics YOLOv5},
  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}
}

请注意，YOLOv5 模型根据 AGPL-3.0 和企业版许可证提供。

常见问题解答#