YOLO Vision 2026：

YOLOv5 模型集成#

📚 本指南介绍如何在测试和推理期间使用 Ultralytics YOLOv5 🚀 模型集成，以提升 mAP 和 召回率。

来自集成学习：

集成建模是一种创建多个多样化模型来预测结果的过程，可以使用许多不同的建模算法，也可以使用不同的训练数据集。集成模型随后会聚合每个基础模型的预测结果，并为未见过的数据生成一个最终预测。使用集成模型的动机是降低预测的泛化误差。只要基础模型具有多样性且彼此独立，采用集成方法就能降低模型的预测误差。这种方法利用群体智慧来进行预测。尽管集成模型内部包含多个基础模型，但它的行为和性能表现都像一个单一模型。

开始之前#

在 Python>=3.8.0 环境中克隆仓库并安装 requirements.txt，其中包括 PyTorch>=1.8。模型 和数据集 会自动从最新的 YOLOv5 版本下载。

git clone https://github.com/ultralytics/yolov5 # clone
cd yolov5
pip install -r requirements.txt # install

正常测试#

在进行模型集成之前，先确定单个模型的基线性能。此命令会在 COCO val2017 上以 640 像素的图像尺寸测试 YOLOv5x。yolov5x.pt 是可用的最大且精度最高的模型。其他选项包括 yolov5s.pt、yolov5m.pt 和 yolov5l.pt，或者你也可以使用在自定义数据集上训练得到的自定义检查点 ./weights/best.pt。有关所有可用模型的详细信息，请参阅预训练检查点表。

python val.py --weights yolov5x.pt --data coco.yaml --img 640 --half

输出：

val: data=./data/coco.yaml, weights=['yolov5x.pt'], batch_size=32, imgsz=640, conf_thres=0.001, iou_thres=0.65, task=val, device=, single_cls=False, augment=False, verbose=False, save_txt=False, save_conf=False, save_json=True, project=runs/val, name=exp, exist_ok=False, half=True
YOLOv5 🚀 v5.0-267-g6a3ee7c torch 1.9.0+cu102 CUDA:0 (Tesla P100-PCIE-16GB, 16280.875MB)

Fusing layers...
Model Summary: 476 layers, 87730285 parameters, 0 gradients

val: Scanning '../datasets/coco/val2017' images and labels...4952 found, 48 missing, 0 empty, 0 corrupted: 100% 5000/5000 [00:01<00:00, 2846.03it/s]
val: New cache created: ../datasets/coco/val2017.cache
               Class     Images     Labels          P          R     mAP@.5 mAP@.5:.95: 100% 157/157 [02:30<00:00,  1.05it/s]
                 all       5000      36335      0.746      0.626       0.68       0.49
Speed: 0.1ms pre-process, 22.4ms inference, 1.4ms NMS per image at shape (32, 3, 640, 640)  # <--- baseline speed

Evaluating pycocotools mAP... saving runs/val/exp/yolov5x_predictions.json...
...
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.504  # <--- baseline mAP
 Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.688
 Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.546
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.351
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.551
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.644
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=  1 ] = 0.382
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets= 10 ] = 0.628
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.681  # <--- baseline mAR
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.524
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.735
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.826

集成测试#

在测试和推理时，只需将其他模型附加到任何现有 val.py 或 detect.py 命令中的 --weights 参数，即可将多个预训练模型集成在一起。以下示例会同时测试由 2 个模型组成的集成模型：

  • YOLOv5x
  • YOLOv5l6
python val.py --weights yolov5x.pt yolov5l6.pt --data coco.yaml --img 640 --half

你可以列出任意数量的检查点，包括 runs/train/exp5/weights/best.pt 等自定义权重。YOLOv5 会自动运行每个模型，按图像对齐预测结果，并在执行 NMS 前对输出结果求平均。

输出：

val: data=./data/coco.yaml, weights=['yolov5x.pt', 'yolov5l6.pt'], batch_size=32, imgsz=640, conf_thres=0.001, iou_thres=0.6, task=val, device=, single_cls=False, augment=False, verbose=False, save_txt=False, save_conf=False, save_json=True, project=runs/val, name=exp, exist_ok=False, half=True
YOLOv5 🚀 v5.0-267-g6a3ee7c torch 1.9.0+cu102 CUDA:0 (Tesla P100-PCIE-16GB, 16280.875MB)

Fusing layers...
Model Summary: 476 layers, 87730285 parameters, 0 gradients  # Model 1
Fusing layers...
Model Summary: 501 layers, 77218620 parameters, 0 gradients  # Model 2
Ensemble created with ['yolov5x.pt', 'yolov5l6.pt']  # Ensemble notice

val: Scanning '../datasets/coco/val2017.cache' images and labels... 4952 found, 48 missing, 0 empty, 0 corrupted: 100% 5000/5000 [00:00<00:00, 49695545.02it/s]
               Class     Images     Labels          P          R     mAP@.5 mAP@.5:.95: 100% 157/157 [03:58<00:00,  1.52s/it]
                 all       5000      36335      0.747      0.637      0.692      0.502
Speed: 0.1ms pre-process, 39.5ms inference, 2.0ms NMS per image at shape (32, 3, 640, 640)  # <--- ensemble speed

Evaluating pycocotools mAP... saving runs/val/exp3/yolov5x_predictions.json...
...
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.515  # <--- ensemble mAP
 Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.699
 Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.557
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.356
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.563
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.668
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=  1 ] = 0.387
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets= 10 ] = 0.638
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.689  # <--- ensemble mAR
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.526
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.743
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.844

集成推理#

将其他模型附加到 --weights 参数，即可运行集成推理：

python detect.py --weights yolov5x.pt yolov5l6.pt --img 640 --source data/images

输出：

YOLOv5 🚀 v5.0-267-g6a3ee7c torch 1.9.0+cu102 CUDA:0 (Tesla P100-PCIE-16GB, 16280.875MB)

Fusing layers...
Model Summary: 476 layers, 87730285 parameters, 0 gradients
Fusing layers...
Model Summary: 501 layers, 77218620 parameters, 0 gradients
Ensemble created with ['yolov5x.pt', 'yolov5l6.pt']

image 1/2 /content/yolov5/data/images/bus.jpg: 640x512 4 persons, 1 bus, 1 tie, Done. (0.063s)
image 2/2 /content/yolov5/data/images/zidane.jpg: 384x640 3 persons, 2 ties, Done. (0.056s)
Results saved to runs/detect/exp2
Done. (0.223s)
YOLO inference result

模型集成的优势#

使用 YOLOv5 进行模型集成具有以下优势：

  1. 精度提升：如上述示例所示，将多个模型进行集成后，mAP 会从 0.504 提升到 0.515，mAR 会从 0.681 提升到 0.689。
  2. 更好的泛化能力：组合多样化模型有助于减少过拟合，并提升模型在多样化数据上的性能。
  3. 更强的鲁棒性：集成模型通常能够更好地应对数据中的噪声和异常值。
  4. 互补优势：不同模型可能擅长检测不同类型的对象，或适应不同的环境条件。

主要的权衡是推理时间增加，如速度指标所示（单个模型为 22.4ms，集成模型为 39.5ms）。

何时使用模型集成#

可以考虑在以下场景中使用模型集成：

  • 当精度比推理速度更重要时
  • 对于必须将漏检降至最低的关键应用
  • 处理具有不同光照、遮挡或尺度的复杂图像时
  • 在需要最大性能的竞赛或基准测试期间

对于具有严格延迟要求的实时应用，使用单模型推理可能更合适。

支持的环境#

Ultralytics 提供一系列可直接使用的环境，每个环境都预装了 CUDA、CUDNN、Python 和 PyTorch 等必要依赖项，帮助你快速启动项目。

项目状态#

YOLOv5 CI

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。

贡献者
RAraimbekovm3GLglenn-jocher2PDpderrenger1

评论