Ultralytics YOLOv5 综合指南#
欢迎查看 Ultralytics YOLOv5🚀 文档！Ultralytics YOLOv5 是革命性“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 仍然是一个强大的工具，但你也可以探索其后续版本 Ultralytics YOLOv8、YOLO11 和 YOLO26，了解最新进展。
这个强大的深度学习框架构建于 PyTorch 之上，凭借其灵活性、易用性和高性能而广受欢迎。我们的文档将指导你完成安装过程，解释模型的架构细节，展示各种应用场景，并提供一系列详细教程。这些资源将帮助你充分发挥 YOLOv5 在计算机视觉项目中的潜力。让我们开始吧！
探索与学习#
下面汇总了一系列全面的教程，将指导你了解 YOLOv5 的各个方面。
- 训练自定义数据 🚀 推荐：了解如何使用你的自定义数据集训练 YOLOv5 模型。
- 获得最佳训练结果的技巧 ☘️：了解优化模型训练流程的实用技巧。
- 多 GPU 训练：了解如何利用多个 GPU 加快训练速度。
- PyTorch Hub：学习如何通过 PyTorch Hub 加载预训练模型。
- 导出为 TFLite、ONNX、CoreML、TensorRT 🚀：了解如何将模型导出为不同格式。
- 测试时增强（TTA）：探索如何使用 TTA 提高模型的预测精度。
- 模型集成：了解通过组合多个模型来提升性能的策略。
- 模型剪枝/稀疏化：了解剪枝和稀疏化的概念，以及如何创建更高效的模型。
- 超参数演化：了解自动进行超参数调优以提升模型性能的过程。
- 使用冻结层进行迁移学习：了解如何通过冻结 YOLOv5 中的层来实现迁移学习。
- 架构摘要 🌟 深入了解 YOLOv5 模型的结构细节。阅读 YOLOv5 v6.0 博客文章获取更多信息。
- ClearML 日志集成 🌟 了解如何集成 ClearML，以便在模型训练期间高效记录日志。
- Neural Magic 中的 YOLOv5：了解如何使用 Neural Magic 的 DeepSparse 对 YOLOv5 模型进行剪枝和量化。
- Comet Logging Integration：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 等必需依赖，帮助你快速启动项目。你还可以使用 Ultralytics Platform 管理模型和数据集。
- 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 测试会严格检查 YOLOv5 在多个关键方面的功能和性能：训练、验证、推理、导出和基准测试。它们确保 YOLOv5 在 macOS、Windows 和 Ubuntu 上持续稳定地运行，并且每 24 小时以及每次新提交时都会执行测试。
联系与贡献#
你与 YOLOv5 的旅程不必孤军奋战。加入我们活跃的 GitHub 社区，与 LinkedIn 上的专业人士交流，在 Twitter 分享你的结果，并在 YouTube 获取教育资源。关注我们的 TikTok 和 BiliBili，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，包括代码改进、错误报告和文档更新。查看我们的贡献指南了解更多信息。
我们很期待看到你以创新方式使用 YOLOv5。立即开始、进行实验，让你的计算机视觉项目焕然一新！🚀
常见问题#
Ultralytics YOLOv5 以高速、高精度的目标检测能力而闻名。它构建于 PyTorch 之上，灵活易用，适用于各种计算机视觉项目。主要特性包括实时推理、支持测试时增强（TTA）和模型集成等多种训练技巧，以及兼容 TFLite、ONNX、CoreML 和 TensorRT 等导出格式。要深入了解 Ultralytics YOLOv5 如何提升你的项目，请查看我们的 TFLite、ONNX、CoreML、TensorRT 导出指南。
在你的数据集上训练自定义 YOLOv5 模型需要完成几个关键步骤。首先，准备符合要求格式且带有标注的数据集。然后，配置 YOLOv5 训练参数，并使用
train.py脚本启动训练流程。有关此流程的深入教程，请参阅我们的训练自定义数据指南。其中提供了分步说明，确保针对你的具体应用场景获得最佳结果。优化 YOLOv5 模型性能需要调整各种超参数，并结合数据增强和迁移学习等技术。Ultralytics 提供了关于超参数演化和剪枝/稀疏化的全面资源，帮助提升模型效率。你可以在我们的获得最佳训练结果的技巧指南中了解实用技巧，其中提供了在训练期间实现最佳性能的可操作建议。
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。此外还提供 Docker 镜像，便于设置。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。