Ultralytics YOLOv5 全面指南#
欢迎来到 Ultralytics YOLOv5🚀 文档！Ultralytics YOLOv5 作为革命性“你只看一次”目标检测模型的第五代版本，旨在实时提供高速、高精度的结果。虽然 YOLOv5 仍然是一个强大工具，但建议了解其后续版本 Ultralytics YOLOv8、YOLO11 和 YOLO26 以获取最新的技术进展。
基于 PyTorch 构建，这个强大的深度学习框架因其多功能性、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释放 YOLOv5 在计算机视觉项目中的全部潜力。我们开始吧！
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：了解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 ☘️：发掘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 加速训练。
- PyTorch Hub 🌟 新功能：了解如何通过 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 来提高模型的预测准确率。
- 模型集成：学习结合多个模型以提升性能的策略。
- 模型剪枝/稀疏化：理解剪枝和稀疏化概念，以及如何创建更高效的模型。
- 超参数进化：了解用于获得更好模型性能的自动超参数调优过程。
- 使用冻结层的迁移学习：了解如何在 YOLOv5 中通过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 🌟 了解如何在模型训练期间集成 ClearML 以实现高效的日志记录。
- 将 YOLOv5 与 Neural Magic 结合使用：了解如何使用 Neural Magic 的 DeepSparse 来对你的 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 来改进模型训练日志记录。
支持的环境#
Ultralytics 提供了一系列开箱即用的环境，每个环境都预先安装了 CUDA、CuDNN、Python 和 PyTorch 等基础依赖项，以助你快速启动项目。你还可以使用 Ultralytics Platform 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
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 测试严格检查了 YOLOv5 在各个核心方面的功能和性能：训练、验证、推理、导出和基准测试。它们确保在 macOS、Windows 和 Ubuntu 上保持一致且可靠的运行，测试每 24 小时以及每次新提交时进行。
交流与贡献#
你的 YOLOv5 之旅并非孤单前行。加入我们在 GitHub 上的活跃社区，在 LinkedIn 上与专业人士建立联系，在 Twitter 上分享你的成果，并在 YouTube 上寻找教育资源。在 TikTok 和哔哩哔哩上关注我们以获取更多精彩内容。
有兴趣参与贡献吗？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了解更多信息。
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！🚀
常见问题解答#
Ultralytics YOLOv5 以其高速和高精度的目标检测功能而闻名。基于 PyTorch 构建，它具有多功能且用户友好的特点，使其适用于各种计算机视觉项目。核心功能包括实时推理、支持测试时增强 (TTA) 和模型集成等多种训练技巧，以及与 TFLite、ONNX、CoreML 和 TensorRT 等导出格式的兼容性。要更深入地了解 Ultralytics YOLOv5 如何提升你的项目，请探索我们的TFLite、ONNX、CoreML、TensorRT 导出指南。
在你的数据集上训练自定义 YOLOv5 模型包含几个关键步骤。首先，准备好所需格式并带有标注标签的数据集。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，请参考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。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。你可以在我们的最佳训练结果技巧指南中发现实用的建议，它为在训练期间实现最佳性能提供了可操作的见解。
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。还提供 Docker 镜像以便于便捷设置。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，其中包含每个平台的分步说明。