<a href="https://github.com/ultralytics/ultralytics/actions/workflows/ci.yml"><img src="https://github.com/ultralytics/ultralytics/actions/workflows/ci.yml/badge.svg" alt="Ultralytics CI"></a>
<a href="https://clickpy.clickhouse.com/dashboard/ultralytics"><img src="https://static.pepy.tech/badge/ultralytics" alt="Ultralytics Downloads"></a>
<a href="https://discord.com/invite/ultralytics"><img alt="Ultralytics Discord" src="https://img.shields.io/discord/1089800235347353640?logo=discord&logoColor=white&label=Discord&color=blue"></a>
<a href="https://community.ultralytics.com/"><img alt="Ultralytics Forums" src="https://img.shields.io/discourse/users?server=https%3A%2F%2Fcommunity.ultralytics.com&logo=discourse&label=Forums&color=blue"></a>
<a href="https://www.reddit.com/r/ultralytics/"><img alt="Ultralytics Reddit" src="https://img.shields.io/reddit/subreddit-subscribers/ultralytics?style=flat&logo=reddit&logoColor=white&label=Reddit&color=blue"></a>
<br>
<a href="https://console.paperspace.com/github/ultralytics/ultralytics"><img src="https://assets.paperspace.io/img/gradient-badge.svg" alt="Run Ultralytics on Gradient"></a>
<a href="https://colab.research.google.com/github/ultralytics/ultralytics/blob/main/examples/tutorial.ipynb"><img src="https://colab.research.google.com/assets/colab-badge.svg" alt="Open Ultralytics In Colab"></a>
<a href="https://www.kaggle.com/models/ultralytics/yolo26"><img src="https://kaggle.com/static/images/open-in-kaggle.svg" alt="Open Ultralytics In Kaggle"></a>
<a href="https://mybinder.org/v2/gh/ultralytics/ultralytics/HEAD?labpath=examples%2Ftutorial.ipynb"><img src="https://mybinder.org/badge_logo.svg" alt="Open Ultralytics In Binder"></a>

Link to this sectionUltralytics YOLOv5 全面指南#

欢迎阅读 Ultralytics YOLOv5🚀 文档！Ultralytics YOLOv5 是革命性“你只看一次”(You Only Look Once) 目标检测 模型的第五次迭代，旨在实时提供高速度、高精度的结果。尽管 YOLOv5 仍然是一个强大的工具，但你可以探索其后续版本，如 Ultralytics YOLOv8、YOLO11 和 YOLO26，以获取最新的技术进步。

Built on PyTorch, this powerful deep learning framework has garnered immense popularity for its versatility, ease of use, and high performance. Our documentation guides you through the installation process, explains the architectural nuances of the model, showcases various use cases, and provides a series of detailed tutorials. These resources will help you harness the full potential of YOLOv5 for your computer vision projects. Let's get started!

Link to this section探索与学习#

这里汇编了全面的教程，将引导你了解 YOLOv5 的不同方面。

• 训练自定义数据 🚀 推荐：学习如何在你的自定义数据集上训练 YOLOv5 模型。
• 最佳训练结果技巧 ☘️：了解优化模型训练过程的实用技巧。
• 多 GPU 训练：了解如何利用多个 GPU 来加快你的训练速度。
• PyTorch Hub 🌟 新功能：学习如何通过 PyTorch Hub 加载预训练模型。
• TFLite、ONNX、CoreML、TensorRT 导出 🚀：了解如何将你的模型导出为不同格式。
• 测试时增强 (TTA)：探索如何使用 TTA 来提高模型的预测精度。
• 模型集成：学习结合多个模型以提高性能的策略。
• 模型剪枝/稀疏化：理解剪枝和稀疏化的概念，以及如何创建更高效的模型。
• 超参数进化：探索自动化 超参数调优 的过程，以获得更好的模型性能。
• 带冻结层的迁移学习：学习如何通过在 YOLOv5 中冻结层来实现 迁移学习。
• 架构总结 🌟 深入了解 YOLOv5 模型的结构细节。阅读 YOLOv5 v6.0 博客文章 以获取更多见解。
• ClearML 日志记录集成 🌟 学习如何集成 ClearML 以在模型训练期间进行高效的日志记录。
• YOLOv5 与 Neural Magic：发现如何使用 Neural Magic's DeepSparse 来对你的 YOLOv5 模型进行剪枝和量化。
• Comet 日志记录集成 🌟 新功能：探索如何利用 Comet 来改进模型训练日志记录。

Link to this section支持的环境#

Ultralytics 提供了一系列即用型环境，每个环境都预装了必要的依赖项，例如 CUDA、CuDNN、Python 和 PyTorch，助你快速启动项目。你还可以使用 Ultralytics Platform 来管理你的模型和数据集。

• 免费 GPU 笔记本：
• Google Cloud：GCP 快速入门指南
• Amazon：AWS 快速入门指南
• Azure：AzureML 快速入门指南
• Docker：Docker 快速入门指南

Link to this section项目状态#

此徽章表示所有 YOLOv5 GitHub Actions 持续集成 (CI) 测试均已成功通过。这些 CI 测试严格检查 YOLOv5 在 训练、验证、推理、导出 和 基准测试 等各个关键方面的功能和性能。它们确保了在 macOS、Windows 和 Ubuntu 上的稳定可靠运行，测试每 24 小时进行一次，并会在每次新提交代码时自动触发。

Link to this section交流与贡献#

你的 YOLOv5 之旅不必独行。加入我们在 GitHub 上的活跃社区，在 LinkedIn 上与专业人士交流，在 Twitter 上分享你的成果，并在 YouTube 上查找教育资源。关注我们的 TikTok 和 BiliBili 以获取更多精彩内容。

有兴趣做出贡献吗？我们欢迎各种形式的贡献，从代码改进和错误报告到文档更新。查看我们的 贡献指南 以获取更多信息。

我们很期待看到你使用 YOLOv5 的创新方式。投入其中，进行实验，并彻底改变你的计算机视觉项目！🚀

Link to this section常见问题解答#

Link to this sectionUltralytics YOLOv5 的主要特点是什么？#

Ultralytics YOLOv5 以其高速和高 精度 的目标检测能力而闻名。它基于 PyTorch 构建，功能多样且易于使用，使其适用于各种计算机视觉项目。主要功能包括实时推理、对测试时增强 (TTA) 和模型集成等多种训练技巧的支持，以及与 TFLite、ONNX、CoreML 和 TensorRT 等导出格式的兼容性。要深入了解 Ultralytics YOLOv5 如何提升你的项目，请探索我们的 TFLite、ONNX、CoreML、TensorRT 导出指南。

Link to this section我该如何在自己的数据集上训练自定义 YOLOv5 模型？#

在你的数据集上训练自定义 YOLOv5 模型涉及几个关键步骤。首先，按所需格式准备数据集，并标注标签。然后，配置 YOLOv5 训练参数并使用 train.py 脚本开始训练过程。有关此过程的深入教程，请查阅我们的 训练自定义数据指南。它提供了分步说明，以确保为你的特定用例获得最佳结果。

Link to this section为什么要使用 Ultralytics YOLOv5 而不是像 RCNN 那样的其他目标检测模型？#

Ultralytics YOLOv5 在实时目标检测方面具有卓越的速度和精度，因此优于 R-CNN 等模型。YOLOv5 一次性处理整个图像，与涉及多次遍历的 RCNN 的区域建议方法相比，速度明显更快。此外，YOLOv5 与各种导出格式的无缝集成以及详尽的文档，使其成为初学者和专业人士的绝佳选择。在我们的 架构总结 中了解更多关于架构优势的信息。

Link to this section我该如何在训练期间优化 YOLOv5 模型性能？#

优化 YOLOv5 模型性能涉及调整各种超参数，并结合 数据增强 和迁移学习等技术。Ultralytics 提供了有关 超参数进化 和 剪枝/稀疏化 的全面资源，以提高模型效率。你可以在我们的 最佳训练结果技巧指南 中发现实用技巧，该指南提供了实现最佳训练性能的可操作见解。

Link to this section运行 YOLOv5 应用程序支持哪些环境？#

Ultralytics YOLOv5 支持多种环境，包括 Gradient、Google Colab 和 Kaggle 上的免费 GPU 笔记本，以及 Google Cloud、Amazon AWS 和 Azure 等主流云平台。Docker 镜像 也可用于便捷设置。有关设置这些环境的详细指南，请查看我们的 支持的环境 部分，其中包含针对每个平台的分步说明。