<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>Ultralytics YOLOv5 综合指南
欢迎阅读 Ultralytics YOLOv5🚀 文档！Ultralytics YOLOv5 是革命性的“你只看一次” (You Only Look Once) 目标检测模型的第五次迭代，旨在提供高速、高精度的实时结果。虽然 YOLOv5 仍然是一个强大的工具，但你可以考虑探索其后续版本，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!
探索与学习
以下是一系列综合教程，将引导你了解 YOLOv5 的不同方面。
- 训练自定义数据 🚀 推荐：了解如何在使用自己的自定义数据集上训练 YOLOv5 模型。
- 最佳训练结果技巧 ☘️：探索优化模型训练过程的实用技巧。
- 多 GPU 训练：了解如何利用多个 GPU 来加速你的训练。
- PyTorch Hub 🌟 新增：学习通过 PyTorch Hub 加载预训练模型。
- TFLite, ONNX, CoreML, TensorRT 导出 🚀：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 来提高模型的预测准确性。
- 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，以实现更好的模型性能。
- 使用冻结层进行迁移学习：学习如何通过冻结 YOLOv5 中的层来实现迁移学习。
- 架构总结 🌟 深入了解 YOLOv5 模型的结构细节。阅读 YOLOv5 v6.0 博客文章了解更多见解。
- ClearML 日志记录集成 🌟 学习如何集成 ClearML 以便在模型训练期间进行高效的日志记录。
- 与 Neural Magic 结合的 YOLOv5：了解如何使用 Neural Magic's DeepSparse 来对 YOLOv5 模型进行剪枝和量化。
- Comet 日志记录集成 🌟 新增：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，每个环境都预装了必要依赖项，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 Notebooks:
- 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) 测试均成功通过。这些 CI 测试严格检查 YOLOv5 在各个关键方面的功能和性能：训练、验证、推理、导出和基准测试。它们确保了在 macOS、Windows 和 Ubuntu 上的一致且可靠的运行，测试每 24 小时以及在每次新提交时进行。
连接与贡献
你的 YOLOv5 之旅不必孤单。加入我们在 GitHub 上的活跃社区，与 LinkedIn 上的专业人士建立联系，在 Twitter 上分享你的成果，并在 YouTube 上查找教育资源。在 TikTok 和 BiliBili 上关注我们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。
我们很高兴看到你使用 YOLOv5 的创新方式。潜入其中，进行实验，并彻底改变你的计算机视觉项目！🚀
常见问题 (FAQ)
Ultralytics YOLOv5 的主要特点是什么？
Ultralytics YOLOv5 以其高速和高精度的对象检测能力而闻名。它基于 PyTorch 构建，多功能且用户友好，非常适合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。
我该如何在我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，并附带标签注释。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。
相比 RCNN 等其他目标检测模型，我为什么要使用 Ultralytics YOLOv5？
由于 Ultralytics YOLOv5 在实时目标检测中具有卓越的速度和精度，因此它优于 R-CNN 等模型。YOLOv5 一次性处理整个图像，使其比 RCNN 的区域建议方法快得多，后者涉及多次传递。此外，YOLOv5 与各种导出格式的无缝集成及其详尽的文档，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 中了解更多有关架构优势的信息。
在训练期间我该如何优化 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/稀疏化的综合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，该指南提供了实现训练期间最佳性能的可行见解。
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 Notebook，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。