Ultralytics YOLOv5 完整指南#
欢迎阅读 Ultralytics YOLOv5 🚀 文档！Ultralytics YOLOv5 是革命性的“只看一次”目标检测模型的第五个版本，旨在实时提供高速、高精度的结果。YOLOv5 依然是一款强大的工具，但你也可以了解它的后续版本：Ultralytics YOLOv8、YOLO11 和 YOLO26，探索最新进展。
基于 PyTorch 构建的这个强大深度学习框架，凭借其灵活性、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流程，讲解模型架构的细节，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发挥 YOLOv5 在计算机视觉项目中的全部潜力。开始吧！
探索与学习#
以下汇集了一系列全面的教程，将引导你了解 YOLOv5 的不同方面。
- 训练自定义数据 🚀 推荐：了解如何使用自定义数据集训练 YOLOv5 模型。
- 获得最佳训练效果的技巧 ☘️：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。
- PyTorch Hub：了解如何通过 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)：了解如何使用 TTA 提高模型预测精度。
- 模型集成：了解如何组合多个模型以提升性能。
- 模型剪枝/稀疏化：了解剪枝和稀疏化概念，以及如何构建更高效的模型。
- 超参数演化：了解自动超参数调优流程，以提升模型性能。
- 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。
- 架构概要 🌟 深入了解 YOLOv5 模型的结构细节。阅读 YOLOv5 v6.0 博文，获取更多见解。
- 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。
- 搭配 Neural Magic 使用 YOLOv5：了解如何使用 Neural Magic 的 DeepSparse 对 YOLOv5 模型进行剪枝和量化。
- Comet 日志集成：了解如何使用 Comet 改进模型训练日志记录。
支持的环境#
Ultralytics 提供多种开箱即用的环境，预先安装了 CUDA、CuDNN、Python 和 PyTorch 等必要依赖，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。这些测试每 24 小时以及每次提交新代码后运行一次，确保 YOLOv5 在 macOS、Windows 和 Ubuntu 上保持稳定可靠地运行。
交流与贡献#
使用 YOLOv5 不必独自摸索。加入我们活跃的 GitHub 社区，在 LinkedIn 上与专业人士交流，在 Twitter 上分享成果，并在 YouTube 上查找学习资源。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，从代码改进和错误报告到文档更新都可以。查看我们的贡献指南，了解更多信息。
我们很期待看到你用 YOLOv5 实现的创新应用。立即开始，动手尝试，让你的计算机视觉项目焕然一新！🚀
常见问题#
Ultralytics YOLOv5 以高速和高精度目标检测能力而闻名。它基于 PyTorch 构建，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) 和模型集成等推理技术，以及兼容 TFLite、ONNX、CoreML 和 TensorRT 等导出格式。若想深入了解 Ultralytics YOLOv5 如何提升你的项目，请参阅我们的 TFLite、ONNX、CoreML、TensorRT 导出指南。
使用自己的数据集训练自定义 YOLOv5 模型需要完成几个关键步骤。首先，按要求的格式准备数据集并添加标签。然后，配置 YOLOv5 训练参数，并使用
train.py脚本启动训练流程。有关此流程的详细教程，请参阅我们的训练自定义数据指南。指南提供了逐步说明，帮助你针对具体用例获得最佳结果。优化 YOLOv5 模型性能需要调整各种超参数，并采用数据增强和迁移学习等技术。Ultralytics 提供了全面的超参数演化和剪枝/稀疏化资源，以提升模型效率。你可以在我们的获得最佳训练效果的技巧指南中了解实用建议，获取训练期间实现最佳性能的可行方法。
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。你还可以使用 Docker 镜像便捷地完成设置。有关配置这些环境的详细指南，请查看支持的环境部分，其中包含各平台的分步说明。