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。

基于 PyTorch 构建，这个强大的 deep learning 框架因其多功能性、易用性和高性能而广受欢迎。我们的文档将引导你完成安装过程，解释模型的架构细微差别，展示各种用例，并提供一系列详细教程。这些资源将帮助你充分利用 YOLOv5 的潜力来完成你的 computer vision 项目。让我们开始吧！

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：学习如何在你自己的数据集上训练 YOLOv5 模型。
• 获取最佳训练结果的技巧 ☘️：探索优化模型训练过程的实用技巧。
• 多 GPU 训练：了解如何利用多 GPU 加速你的训练。
• PyTorch Hub 🌟 新功能：学习通过 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 来提高模型的预测准确率。
• 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：了解剪枝和稀疏化的概念，以及如何构建更高效的模型。
• 超参数进化：发现自动化 超参数调优 的流程，以获得更好的模型性能。
• 使用冻结层进行迁移学习：学习如何通过在 YOLOv5 中冻结层来实现 迁移学习。
• 架构摘要 🌟 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 日志集成 🌟 学习如何集成 ClearML 以在模型训练期间进行高效记录。
• 将 YOLOv5 与 Neural Magic 结合使用：发现如何使用 Neural Magic's DeepSparse 对你的 YOLOv5 模型进行剪枝和量化。
• Comet 日志集成 🌟 新功能：探索如何利用 Comet 来改进模型训练的日志记录。

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 准确性 的目标检测能力而闻名。它基于 PyTorch 构建，通用且用户友好，非常适合各种计算机视觉项目。其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。若要更深入了解 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？#

在你自己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？#

由于 Ultralytics YOLOv5 在实时目标检测方面具有卓越的速度和准确性，因此它优于 R-CNN 等模型。YOLOv5 一次性处理整张图像，使其比涉及多次传递的区域建议方法（如 R-CNN）快得多。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 架构摘要 中了解更多有关架构优势的信息。

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 提供了关于 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 获取最佳训练结果技巧指南 中发现实用的技巧，该指南提供了在训练期间实现最佳性能的可操作见解。

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 等主要云平台。Docker 镜像 也可用于便捷设置。有关配置这些环境的详细指南，请查看我们的 支持的环境 部分，其中包含每个平台的分步说明。