diff --git a/README.zh-CN.md b/README.zh-CN.md index 47b7b20..543905c 100644 --- a/README.zh-CN.md +++ b/README.zh-CN.md @@ -18,11 +18,11 @@
-YOLOv5 🚀 是世界上最受欢迎的视觉 AI，代表 Ultralytics 对未来视觉 AI 方法的开源研究，结合在数千小时的研究和开发中积累的经验教训和最佳实践。 +YOLOv5 🚀 是全球最受欢迎的视觉 AI，代表着 Ultralytics 开源研究中面向未来视觉 AI 方法的探索，融入了经过数千小时的研发积累的经验和最佳实践。 -我们希望这里的资源能帮助您充分利用 YOLOv5。请浏览 YOLOv5 文档 了解详细信息，在 GitHub 上提交问题以获得支持，并加入我们的 Discord 社区进行问题和讨论！ +我们希望这些资源能帮助您充分利用 YOLOv5。请查阅 YOLOv5 的文档了解详细信息，如需支持请在 GitHub 提出问题，或加入我们的 Discord 社区进行提问和讨论！ -如需申请企业许可，请在 [Ultralytics Licensing](https://www.ultralytics.com/license) 处填写表格 +如需申请企业许可，请前往 [Ultralytics Licensing](https://www.ultralytics.com/license) 填写表单。
Ultralytics GitHub @@ -39,15 +39,17 @@ YOLOv5 🚀 是世界上最受欢迎的视觉 AI，代表 Ultralytics Discord
+ +
-##
YOLO11 🚀 全新发布
+##
YOLO11 🚀 新品发布
-我们很高兴宣布推出 Ultralytics YOLO11 🚀，这是我们最先进视觉模型的最新进展！现已在 **[GitHub](https://github.com/ultralytics/ultralytics)** 上发布。YOLO11 在速度、精度和易用性方面进一步提升，无论是处理目标检测、图像分割还是图像分类任务，YOLO11 都具备出色的性能和多功能性，助您在各种应用中脱颖而出。 +我们很高兴推出 Ultralytics YOLO11 🚀，这是我们最尖端（SOTA）视觉模型的最新成果！现已在 **[GitHub](https://github.com/ultralytics/ultralytics)** 发布，YOLO11 延续了我们速度、精准度与易用性的传承。不论您是做目标检测、图像分割还是图像分类，YOLO11 都能提供卓越的性能和足以应对多样化应用的多功能性。 -立即开始，解锁 YOLO11 的全部潜力！访问 [Ultralytics 文档](https://docs.ultralytics.com/) 获取全面的指南和资源： +立即开始，释放 YOLO11 的全部潜力！访问 [Ultralytics 文档](https://docs.ultralytics.com/) 获取全面的指南和资源： -[![PyPI 版本](https://badge.fury.io/py/ultralytics.svg)](https://badge.fury.io/py/ultralytics) [![下载量](https://static.pepy.tech/badge/ultralytics)](https://www.pepy.tech/projects/ultralytics) +[![PyPI version](https://badge.fury.io/py/ultralytics.svg)](https://badge.fury.io/py/ultralytics) [![Downloads](https://static.pepy.tech/badge/ultralytics)](https://www.pepy.tech/projects/ultralytics) ```bash pip install ultralytics @@ -60,60 +62,60 @@ pip install ultralytics ##
文档
-有关训练、测试和部署的完整文档见[YOLOv5 文档](https://docs.ultralytics.com/yolov5/)。请参阅下面的快速入门示例。 +请参阅 [YOLOv5 文档](https://docs.ultralytics.com/yolov5/) 以获取关于训练、测试和部署的完整文档。下面提供了快速入门示例。
安装 -克隆 repo，并要求在 [**Python>=3.8.0**](https://www.python.org/) 环境中安装 [requirements.txt](https://github.com/ultralytics/yolov5/blob/master/requirements.txt) ，且要求 [**PyTorch>=1.8**](https://pytorch.org/get-started/locally/) 。 +克隆仓库并在 [**Python>=3.8.0**](https://www.python.org/) 环境中安装 [requirements.txt](https://github.com/ultralytics/yolov5/blob/master/requirements.txt)，包括 [**PyTorch>=1.8**](https://pytorch.org/get-started/locally/)。 ```bash -git clone https://github.com/ultralytics/yolov5 # clone +git clone https://github.com/ultralytics/yolov5 # 克隆仓库 cd yolov5 -pip install -r requirements.txt # install +pip install -r requirements.txt # 安装依赖 ``` -
+ -
+
推理 -使用 YOLOv5 [PyTorch Hub](https://docs.ultralytics.com/yolov5/tutorials/pytorch_hub_model_loading/) 推理。最新 [模型](https://github.com/ultralytics/yolov5/tree/master/models) 将自动的从 YOLOv5 [release](https://github.com/ultralytics/yolov5/releases) 中下载。 +YOLOv5 [PyTorch Hub](https://docs.ultralytics.com/yolov5/tutorials/pytorch_hub_model_loading/) 推理。 [Models](https://github.com/ultralytics/yolov5/tree/master/models) 会自动从最新的 YOLOv5 [release](https://github.com/ultralytics/yolov5/releases) 下载。 ```python import torch -# 加载 YOLOv5 模型 (选项: yolov5n, yolov5s, yolov5m, yolov5l, yolov5x) +# 加载 YOLOv5 模型（可选项: yolov5n, yolov5s, yolov5m, yolov5l, yolov5x） model = torch.hub.load("ultralytics/yolov5", "yolov5s") -# 输入源 (URL, 文件, PIL, OpenCV, numpy 数组, 或列表) +# 输入源（URL、文件、PIL 图像、OpenCV、numpy 数组 或 列表） img = "https://ultralytics.com/images/zidane.jpg" -# 执行推理 (自动处理批处理, 调整大小, 标准化) +# 执行推理（支持批处理、调整大小、归一化） results = model(img) -# 处理结果 (选项: .print(), .show(), .save(), .crop(), .pandas()) +# 处理结果（可选方法：.print(), .show(), .save(), .crop(), .pandas()） results.print() ```
-使用 detect.py 推理 +使用 detect.py 进行推理 -`detect.py` 在各种来源上运行推理， [模型](https://github.com/ultralytics/yolov5/tree/master/models) 自动从 最新的YOLOv5 [release](https://github.com/ultralytics/yolov5/releases) 中下载，并将结果保存到 `runs/detect` 。 +`detect.py` 可在多种输入源上运行推理，自动从最新的 YOLOv5 [release](https://github.com/ultralytics/yolov5/releases) 下载 [models](https://github.com/ultralytics/yolov5/tree/master/models)，并将结果保存到 `runs/detect` 目录。 ```bash -python detect.py --weights yolov5s.pt --source 0 # webcam -python detect.py --weights yolov5s.pt --source img.jpg # image -python detect.py --weights yolov5s.pt --source vid.mp4 # video -python detect.py --weights yolov5s.pt --source screen # screenshot -python detect.py --weights yolov5s.pt --source path/ # directory -python detect.py --weights yolov5s.pt --source list.txt # list of images -python detect.py --weights yolov5s.pt --source list.streams # list of streams -python detect.py --weights yolov5s.pt --source 'path/*.jpg' # glob -python detect.py --weights yolov5s.pt --source 'https://youtu.be/LNwODJXcvt4' # YouTube -python detect.py --weights yolov5s.pt --source 'rtsp://example.com/media.mp4' # RTSP, RTMP, HTTP stream +python detect.py --weights yolov5s.pt --source 0 # 调用摄像头 +python detect.py --weights yolov5s.pt --source img.jpg # 单张图片 +python detect.py --weights yolov5s.pt --source vid.mp4 # 视频文件 +python detect.py --weights yolov5s.pt --source screen # 屏幕截图 +python detect.py --weights yolov5s.pt --source path/ # 目录 +python detect.py --weights yolov5s.pt --source list.txt # 图片列表 +python detect.py --weights yolov5s.pt --source list.streams # 流列表 +python detect.py --weights yolov5s.pt --source 'path/*.jpg' # 通配符匹配 +python detect.py --weights yolov5s.pt --source 'https://youtu.be/LNwODJXcvt4' # YouTube 视频 +python detect.py --weights yolov5s.pt --source 'rtsp://example.com/media.mp4' # RTSP、RTMP、HTTP 流 ```
@@ -121,8 +123,7 @@ python detect.py --weights yolov5s.pt --source 'rtsp://example.com/media.mp4' #
训练 -下面的命令重现 YOLOv5 在 [COCO](https://github.com/ultralytics/yolov5/blob/master/data/scripts/get_coco.sh) 数据集上的结果。 最新的 [模型](https://github.com/ultralytics/yolov5/tree/master/models) 和 [数据集](https://github.com/ultralytics/yolov5/tree/master/data) -将自动的从 YOLOv5 [release](https://github.com/ultralytics/yolov5/releases) 中下载。 YOLOv5n/s/m/l/x 在 V100 GPU 的训练时间为 1/2/4/6/8 天（ [多GPU](https://docs.ultralytics.com/yolov5/tutorials/multi_gpu_training/) 训练速度更快）。 尽可能使用更大的 `--batch-size` ，或通过 `--batch-size -1` 实现 YOLOv5 [自动批处理](https://github.com/ultralytics/yolov5/pull/5092) 。下方显示的 batchsize 适用于 V100-16GB。 +以下命令重现 YOLOv5 [COCO](https://github.com/ultralytics/yolov5/blob/master/data/scripts/get_coco.sh) 结果。 [Models](https://github.com/ultralytics/yolov5/tree/master/models) 和 [datasets](https://github.com/ultralytics/yolov5/tree/master/data) 会自动从最新的 YOLOv5 [release](https://github.com/ultralytics/yolov5/releases) 下载。 在 V100 GPU 上，YOLOv5n/s/m/l/x 的训练时间分别为 1/2/4/6/8 天（[多 GPU](https://docs.ultralytics.com/yolov5/tutorials/multi_gpu_training/) 可大幅加速）。请使用最大的 `--batch-size`，或者传入 `--batch-size -1` 启用 YOLOv5 的 [AutoBatch](https://github.com/ultralytics/yolov5/pull/5092)。下面的批量大小以 V100-16GB 为准。 ```bash python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5n.yaml --batch-size 128 @@ -139,28 +140,28 @@ python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5x.yaml --
教程 -- [自定义数据训练](https://docs.ultralytics.com/yolov5/tutorials/train_custom_data/) 🚀 **推荐** -- [最佳训练效果的提示](https://docs.ultralytics.com/guides/model-training-tips/) ☘️ -- [多GPU训练](https://docs.ultralytics.com/yolov5/tutorials/multi_gpu_training/) -- [PyTorch Hub](https://docs.ultralytics.com/yolov5/tutorials/pytorch_hub_model_loading/) 🌟 **全新** +- [训练自定义数据](https://docs.ultralytics.com/yolov5/tutorials/train_custom_data/) 🚀 推荐 +- [获得最佳训练效果的小贴士](https://docs.ultralytics.com/guides/model-training-tips/) ☘️ +- [多 GPU 训练](https://docs.ultralytics.com/yolov5/tutorials/multi_gpu_training/) +- [PyTorch Hub](https://docs.ultralytics.com/yolov5/tutorials/pytorch_hub_model_loading/) 🌟 新 - [TFLite, ONNX, CoreML, TensorRT 导出](https://docs.ultralytics.com/yolov5/tutorials/model_export/) 🚀 -- [NVIDIA Jetson 平台部署](https://docs.ultralytics.com/yolov5/tutorials/running_on_jetson_nano/) 🌟 **全新** -- [测试时增强 (TTA)](https://docs.ultralytics.com/yolov5/tutorials/test_time_augmentation/) +- [在 NVIDIA Jetson 平台上部署](https://docs.ultralytics.com/yolov5/tutorials/running_on_jetson_nano/) 🌟 新 +- [测试时数据增强（TTA）](https://docs.ultralytics.com/yolov5/tutorials/test_time_augmentation/) - [模型集成](https://docs.ultralytics.com/yolov5/tutorials/model_ensembling/) -- [模型剪枝/稀疏化](https://docs.ultralytics.com/yolov5/tutorials/model_pruning_and_sparsity/) -- [超参数进化](https://docs.ultralytics.com/yolov5/tutorials/hyperparameter_evolution/) +- [模型剪枝/稀疏性](https://docs.ultralytics.com/yolov5/tutorials/model_pruning_and_sparsity/) +- [超参数演化](https://docs.ultralytics.com/yolov5/tutorials/hyperparameter_evolution/) - [冻结层的迁移学习](https://docs.ultralytics.com/yolov5/tutorials/transfer_learning_with_frozen_layers/) -- [架构概述](https://docs.ultralytics.com/yolov5/tutorials/architecture_description/) 🌟 **全新** -- [使用 Ultralytics HUB 进行 YOLO 训练和部署](https://www.ultralytics.com/hub) 🚀 **推荐** +- [架构摘要](https://docs.ultralytics.com/yolov5/tutorials/architecture_description/) 🌟 新 +- [Ultralytics HUB 训练和部署 YOLO](https://www.ultralytics.com/hub) 🚀 推荐 - [ClearML 日志记录](https://docs.ultralytics.com/yolov5/tutorials/clearml_logging_integration/) -- [与 Neural Magic 的 Deepsparse 集成的 YOLOv5](https://docs.ultralytics.com/yolov5/tutorials/neural_magic_pruning_quantization/) -- [Comet 日志记录](https://docs.ultralytics.com/yolov5/tutorials/comet_logging_integration/) 🌟 **全新** +- [与 Neural Magic 的 Deepsparse 一起使用 YOLOv5](https://docs.ultralytics.com/yolov5/tutorials/neural_magic_pruning_quantization/) +- [Comet 日志记录](https://docs.ultralytics.com/yolov5/tutorials/comet_logging_integration/) 🌟 新
##
集成
-我们与领先的 AI 平台的关键集成扩展了 Ultralytics 产品的功能，提升了数据集标注、训练、可视化和模型管理等任务。探索 Ultralytics 如何通过与 [W&B](https://docs.wandb.ai/guides/integrations/ultralytics/)、[Comet](https://bit.ly/yolov8-readme-comet)、[Roboflow](https://roboflow.com/?ref=ultralytics) 和 [OpenVINO](https://docs.ultralytics.com/integrations/openvino/) 的合作，优化您的 AI 工作流程。 +我们与领先 AI 平台的关键集成扩展了 Ultralytics 产品的功能，提升了数据集标注、训练、可视化和模型管理等任务的效率。探索 Ultralytics 如何与 [W&B](https://docs.wandb.ai/guides/integrations/ultralytics/)、[Comet](https://bit.ly/yolov8-readme-comet)、[Roboflow](https://roboflow.com/?ref=ultralytics) 和 [OpenVINO](https://docs.ultralytics.com/integrations/openvino/) 携手，优化您的 AI 工作流。
@@ -173,7 +174,7 @@ python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5x.yaml -- Ultralytics HUB logo space - W&B logo + ClearML logo space Comet ML logo @@ -182,106 +183,104 @@ python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5x.yaml -- NeuralMagic logo -| Ultralytics HUB 🚀 | W&B | Comet ⭐ 全新 | Neural Magic | -| :----------------------------------------------------------------------------------------------------------: | :----------------------------------------------------------------------------------------------------: | :--------------------------------------------------------------------------------------------------------------------: | :-------------------------------------------------------------------------------------------------: | -| 简化 YOLO 工作流程：通过 [Ultralytics HUB](https://www.ultralytics.com/hub) 轻松标注、训练和部署。立即试用！ | 使用 [Weights & Biases](https://docs.wandb.ai/guides/integrations/ultralytics/) 跟踪实验、超参数和结果 | 永久免费，[Comet](https://bit.ly/yolov5-readme-comet) 允许您保存 YOLO11 模型、恢复训练，并交互式地可视化和调试预测结果 | 使用 [Neural Magic DeepSparse](https://bit.ly/yolov5-neuralmagic) 运行 YOLO11 推理，速度提升至 6 倍 | +| Ultralytics HUB 🚀 | W&B | Comet ⭐ 新版 | Neural Magic | +| :--------------------------------------------------------------------------------------------------------: | :------------------------------------------------------------------------------------------------------: | :----------------------------------------------------------------------------------------------------------------: | :-----------------------------------------------------------------------------------------------: | +| 简化 YOLO 工作流：使用 [Ultralytics HUB](https://www.ultralytics.com/hub) 轻松标注、训练和部署。立即试用！ | 使用 [Weights & Biases](https://docs.wandb.ai/guides/integrations/ultralytics/) 跟踪实验、超参数和结果。 | 永久免费，[Comet](https://bit.ly/yolov5-readme-comet) 让您保存 YOLOv5 模型、恢复训练，并以交互方式可视化和调试预测 | 通过 [Neural Magic DeepSparse](https://bit.ly/yolov5-neuralmagic) 将 YOLO11 推理速度提升多达 6 倍 | ##
Ultralytics HUB
-[Ultralytics HUB](https://www.ultralytics.com/hub) 是我们的⭐**新的**用于可视化数据集、训练 YOLOv5 🚀 模型并以无缝体验部署到现实世界的无代码解决方案。现在开始 **免费** 使用他！ +体验无缝 AI 解决方案，尽在 [Ultralytics HUB](https://www.ultralytics.com/hub) ⭐ —— 一体化的数据可视化、YOLOv5 和 YOLOv8 🚀 模型训练与部署平台，无需编写代码。使用我们前沿的平台和用户友好的 [Ultralytics App](https://www.ultralytics.com/app-install) 将图像转化为可行见解，让您的 AI 构想轻松变为现实。立即免费开启您的旅程！ ##
为什么选择 YOLOv5
-YOLOv5 超级容易上手，简单易学。我们优先考虑现实世界的结果。 +YOLOv5 的设计初衷是让入门变得极其简单，并易于学习。我们优先关注于实现真实世界的效果。

- YOLOv5-P5 640 图 + YOLOv5-P5 640 图示

- 图表笔记 + 图示说明 -- **COCO AP val** 表示 mAP@0.5:0.95 指标，在 [COCO val2017](http://cocodataset.org) 数据集的 5000 张图像上测得， 图像包含 256 到 1536 各种推理大小。 -- **显卡推理速度** 为在 [COCO val2017](http://cocodataset.org) 数据集上的平均推理时间，使用 [AWS p3.2xlarge](https://aws.amazon.com/ec2/instance-types/p4/) V100实例，batchsize 为 32 。 -- **EfficientDet** 数据来自 [google/automl](https://github.com/google/automl) ， batchsize 为32。 -- **复现命令** 为 `python val.py --task study --data coco.yaml --iou 0.7 --weights yolov5n6.pt yolov5s6.pt yolov5m6.pt yolov5l6.pt yolov5x6.pt` +- **COCO AP val** 表示在 5000 张 [COCO val2017](http://cocodataset.org) 数据集上以不同推理尺寸（256 至 1536）测量的 mAP@0.5:0.95 指标。 +- **GPU 速度** 测量了在 [COCO val2017](http://cocodataset.org) 数据集上、使用 [AWS p3.2xlarge](https://aws.amazon.com/ec2/instance-types/p4/) V100 实例，以 batch-size 32 进行推理时的平均每张图像推理时间。 +- **EfficientDet** 数据来自 [google/automl](https://github.com/google/automl)，batch size 为 8。 +- **重现方法**：`python val.py --task study --data coco.yaml --iou 0.7 --weights yolov5n6.pt yolov5s6.pt yolov5m6.pt yolov5l6.pt yolov5x6.pt`
-### 预训练模型 +### 预训练检查点 -| 模型 | 尺寸
（像素） | mAPval
50-95 | mAPval
50 | 推理速度
CPU b1
（ms） | 推理速度
V100 b1
（ms） | 速度
V100 b32
（ms） | 参数量
(M) | FLOPs
@640 (B) | -| ---------------------------------------------------------------------------------------------- | --------------------- | -------------------- | ----------------- | --------------------------------- | ---------------------------------- | ------------------------------- | ------------------ | ---------------------- | -| [YOLOv5n](https://github.com/ultralytics/yolov5/releases/download/v7.0/yolov5n.pt) | 640 | 28.0 | 45.7 | **45** | **6.3** | **0.6** | **1.9** | **4.5** | -| [YOLOv5s](https://github.com/ultralytics/yolov5/releases/download/v7.0/yolov5s.pt) | 640 | 37.4 | 56.8 | 98 | 6.4 | 0.9 | 7.2 | 16.5 | -| [YOLOv5m](https://github.com/ultralytics/yolov5/releases/download/v7.0/yolov5m.pt) | 640 | 45.4 | 64.1 | 224 | 8.2 | 1.7 | 21.2 | 49.0 | -| [YOLOv5l](https://github.com/ultralytics/yolov5/releases/download/v7.0/yolov5l.pt) | 640 | 49.0 | 67.3 | 430 | 10.1 | 2.7 | 46.5 | 109.1 | -| [YOLOv5x](https://github.com/ultralytics/yolov5/releases/download/v7.0/yolov5x.pt) | 640 | 50.7 | 68.9 | 766 | 12.1 | 4.8 | 86.7 | 205.7 | -| | | | | | | | | | -| [YOLOv5n6](https://github.com/ultralytics/yolov5/releases/download/v7.0/yolov5n6.pt) | 1280 | 36.0 | 54.4 | 153 | 8.1 | 2.1 | 3.2 | 4.6 | -| [YOLOv5s6](https://github.com/ultralytics/yolov5/releases/download/v7.0/yolov5s6.pt) | 1280 | 44.8 | 63.7 | 385 | 8.2 | 3.6 | 12.6 | 16.8 | -| [YOLOv5m6](https://github.com/ultralytics/yolov5/releases/download/v7.0/yolov5m6.pt) | 1280 | 51.3 | 69.3 | 887 | 11.1 | 6.8 | 35.7 | 50.0 | -| [YOLOv5l6](https://github.com/ultralytics/yolov5/releases/download/v7.0/yolov5l6.pt) | 1280 | 53.7 | 71.3 | 1784 | 15.8 | 10.5 | 76.8 | 111.4 | -| [YOLOv5x6](https://github.com/ultralytics/yolov5/releases/download/v7.0/yolov5x6.pt)
+[TTA] | 1280
1536 | 55.0
**55.8** | 72.7
**72.7** | 3136
- | 26.2
- | 19.4
- | 140.7
- | 209.8
- | +| Model | size
(pixels) | mAPval
50-95 | mAPval
50 | Speed
CPU b1
(ms) | Speed
V100 b1
(ms) | Speed
V100 b32
(ms) | params
(M) | FLOPs
@640 (B) | +| ----------------------------------------------------------------------------------------------- | --------------------- | -------------------- | ----------------- | ---------------------------- | ----------------------------- | ------------------------------ | ------------------ | ---------------------- | +| [YOLOv5n](https://github.com/ultralytics/yolov5/releases/download/v7.0/yolov5n.pt) | 640 | 28.0 | 45.7 | **45** | **6.3** | **0.6** | **1.9** | **4.5** | +| [YOLOv5s](https://github.com/ultralytics/yolov5/releases/download/v7.0/yolov5s.pt) | 640 | 37.4 | 56.8 | 98 | 6.4 | 0.9 | 7.2 | 16.5 | +| [YOLOv5m](https://github.com/ultralytics/yolov5/releases/download/v7.0/yolov5m.pt) | 640 | 45.4 | 64.1 | 224 | 8.2 | 1.7 | 21.2 | 49.0 | +| [YOLOv5l](https://github.com/ultralytics/yolov5/releases/download/v7.0/yolov5l.pt) | 640 | 49.0 | 67.3 | 430 | 10.1 | 2.7 | 46.5 | 109.1 | +| [YOLOv5x](https://github.com/ultralytics/yolov5/releases/download/v7.0/yolov5x.pt) | 640 | 50.7 | 68.9 | 766 | 12.1 | 4.8 | 86.7 | 205.7 | +| | | | | | | | | | +| [YOLOv5n6](https://github.com/ultralytics/yolov5/releases/download/v7.0/yolov5n6.pt) | 1280 | 36.0 | 54.4 | 153 | 8.1 | 2.1 | 3.2 | 4.6 | +| [YOLOv5s6](https://github.com/ultralytics/yolov5/releases/download/v7.0/yolov5s6.pt) | 1280 | 44.8 | 63.7 | 385 | 8.2 | 3.6 | 12.6 | 16.8 | +| [YOLOv5m6](https://github.com/ultralytics/yolov5/releases/download/v7.0/yolov5m6.pt) | 1280 | 51.3 | 69.3 | 887 | 11.1 | 6.8 | 35.7 | 50.0 | +| [YOLOv5l6](https://github.com/ultralytics/yolov5/releases/download/v7.0/yolov5l6.pt) | 1280 | 53.7 | 71.3 | 1784 | 15.8 | 10.5 | 76.8 | 111.4 | +| [YOLOv5x6](https://github.com/ultralytics/yolov5/releases/download/v7.0/yolov5x6.pt)
+ [TTA] | 1280
1536 | 55.0
**55.8** | 72.7
**72.7** | 3136
- | 26.2
- | 19.4
- | 140.7
- | 209.8
- |
- 笔记 + 表格说明 -- 所有模型都使用默认配置，训练 300 epochs。n和s模型使用 [hyp.scratch-low.yaml](https://github.com/ultralytics/yolov5/blob/master/data/hyps/hyp.scratch-low.yaml) ，其他模型都使用 [hyp.scratch-high.yaml](https://github.com/ultralytics/yolov5/blob/master/data/hyps/hyp.scratch-high.yaml) 。 -- \*\*mAPval\*\*在单模型单尺度上计算，数据集使用 [COCO val2017](http://cocodataset.org) 。
复现命令 `python val.py --data coco.yaml --img 640 --conf 0.001 --iou 0.65` -- **推理速度**在 COCO val 图像总体时间上进行平均得到，测试环境使用[AWS p3.2xlarge](https://aws.amazon.com/ec2/instance-types/p4/)实例。 NMS 时间 (大约 1 ms/img) 不包括在内。
复现命令 `python val.py --data coco.yaml --img 640 --task speed --batch 1` -- **TTA** [测试时数据增强](https://docs.ultralytics.com/yolov5/tutorials/test_time_augmentation/) 包括反射和尺度变换。
复现命令 `python val.py --data coco.yaml --img 1536 --iou 0.7 --augment` +- 所有检查点均使用默认设置并训练 300 个 epochs。 Nano 和 Small 模型使用 [hyp.scratch-low.yaml](https://github.com/ultralytics/yolov5/blob/master/data/hyps/hyp.scratch-low.yaml) 超参数，其它所有模型均使用 [hyp.scratch-high.yaml](https://github.com/ultralytics/yolov5/blob/master/data/hyps/hyp.scratch-high.yaml)。 +- **mAPval** 数值为在 [COCO val2017](http://cocodataset.org) 数据集上的单模型单尺度测试结果。
可通过 `python val.py --data coco.yaml --img 640 --conf 0.001 --iou 0.65` 重现。 +- **速度** 为在 [AWS p3.2xlarge](https://aws.amazon.com/ec2/instance-types/p4/) 实例上，使用 COCO val 图像测试得到的平均单张图像推理速度（NMS 时间（约 1 ms/图像）不计算在内）。
可通过 `python val.py --data coco.yaml --img 640 --task speed --batch 1` 重现。 +- **TTA** [测试时数据增强](https://docs.ultralytics.com/yolov5/tutorials/test_time_augmentation/) 包括反射和缩放增强。
可通过 `python val.py --data coco.yaml --img 1536 --iou 0.7 --augment` 重现。
-##
实例分割模型 ⭐ 新
+##
分割
-我们新的 YOLOv5 [release v7.0](https://github.com/ultralytics/yolov5/releases/v7.0) 实例分割模型是世界上最快和最准确的模型，击败所有当前 [SOTA 基准](https://paperswithcode.com/sota/real-time-instance-segmentation-on-mscoco)。我们使它非常易于训练、验证和部署。更多细节请查看 [发行说明](https://github.com/ultralytics/yolov5/releases/v7.0) 或访问我们的 [YOLOv5 分割 Colab 笔记本](https://github.com/ultralytics/yolov5/blob/master/segment/tutorial.ipynb) 以快速入门。 +我们全新发布的 YOLOv5 [v7.0 版本](https://github.com/ultralytics/yolov5/releases/v7.0) 实例分割模型是目前世界上最快、最精确的，其性能超越了所有现有 [SOTA 基准](https://paperswithcode.com/sota/real-time-instance-segmentation-on-mscoco)。我们让它们的训练、验证和部署变得超级简单。详见我们的 [版本说明](https://github.com/ultralytics/yolov5/releases/v7.0)，并访问我们的 [YOLOv5 分割 Colab Notebook](https://github.com/ultralytics/yolov5/blob/master/segment/tutorial.ipynb) 获取快速入门教程。
- 实例分割模型列表 - -
+ 分割检查点 -我们使用 A100 GPU 在 COCO 上以 640 图像大小训练了 300 epochs 得到 YOLOv5 分割模型。我们将所有模型导出到 ONNX FP32 以进行 CPU 速度测试，并导出到 TensorRT FP16 以进行 GPU 速度测试。为了便于再现，我们在 Google [Colab Pro](https://colab.research.google.com/signup) 上进行了所有速度测试。 +我们使用 A100 GPU 在 COCO 数据集上训练 YOLOv5 分割模型，共训练 300 个 epochs，图像尺寸为 640。我们将所有模型导出为 ONNX FP32 用于 CPU 速度测试，并导出为 TensorRT FP16 用于 GPU 速度测试。所有速度测试均在 Google [Colab Pro](https://colab.research.google.com/signup) Notebook 上进行，以便于重现。 -| 模型 | 尺寸
（像素） | mAPbox
50-95 | mAPmask
50-95 | 训练时长
300 epochs
A100 GPU（小时） | 推理速度
ONNX CPU
（ms） | 推理速度
TRT A100
（ms） | 参数量
(M) | FLOPs
@640 (B) | -| ------------------------------------------------------------------------------------------ | --------------------- | -------------------- | --------------------- | ----------------------------------------------- | ----------------------------------- | ----------------------------------- | ------------------ | ---------------------- | -| [YOLOv5n-seg](https://github.com/ultralytics/yolov5/releases/download/v7.0/yolov5n-seg.pt) | 640 | 27.6 | 23.4 | 80:17 | **62.7** | **1.2** | **2.0** | **7.1** | -| [YOLOv5s-seg](https://github.com/ultralytics/yolov5/releases/download/v7.0/yolov5s-seg.pt) | 640 | 37.6 | 31.7 | 88:16 | 173.3 | 1.4 | 7.6 | 26.4 | -| [YOLOv5m-seg](https://github.com/ultralytics/yolov5/releases/download/v7.0/yolov5m-seg.pt) | 640 | 45.0 | 37.1 | 108:36 | 427.0 | 2.2 | 22.0 | 70.8 | -| [YOLOv5l-seg](https://github.com/ultralytics/yolov5/releases/download/v7.0/yolov5l-seg.pt) | 640 | 49.0 | 39.9 | 66:43 (2x) | 857.4 | 2.9 | 47.9 | 147.7 | -| [YOLOv5x-seg](https://github.com/ultralytics/yolov5/releases/download/v7.0/yolov5x-seg.pt) | 640 | **50.7** | **41.4** | 62:56 (3x) | 1579.2 | 4.5 | 88.8 | 265.7 | +| Model | size
(pixels) | mAPbox
50-95 | mAPmask
50-95 | Train time
300 epochs
A100 (hours) | Speed
ONNX CPU
(ms) | Speed
TRT A100
(ms) | params
(M) | FLOPs
@640 (B) | +| ------------------------------------------------------------------------------------------ | --------------------- | -------------------- | --------------------- | --------------------------------------------- | ------------------------------ | ------------------------------ | ------------------ | ---------------------- | +| [YOLOv5n-seg](https://github.com/ultralytics/yolov5/releases/download/v7.0/yolov5n-seg.pt) | 640 | 27.6 | 23.4 | 80:17 | **62.7** | **1.2** | **2.0** | **7.1** | +| [YOLOv5s-seg](https://github.com/ultralytics/yolov5/releases/download/v7.0/yolov5s-seg.pt) | 640 | 37.6 | 31.7 | 88:16 | 173.3 | 1.4 | 7.6 | 26.4 | +| [YOLOv5m-seg](https://github.com/ultralytics/yolov5/releases/download/v7.0/yolov5m-seg.pt) | 640 | 45.0 | 37.1 | 108:36 | 427.0 | 2.2 | 22.0 | 70.8 | +| [YOLOv5l-seg](https://github.com/ultralytics/yolov5/releases/download/v7.0/yolov5l-seg.pt) | 640 | 49.0 | 39.9 | 66:43 (2x) | 857.4 | 2.9 | 47.9 | 147.7 | +| [YOLOv5x-seg](https://github.com/ultralytics/yolov5/releases/download/v7.0/yolov5x-seg.pt) | 640 | **50.7** | **41.4** | 62:56 (3x) | 1579.2 | 4.5 | 88.8 | 265.7 | -- 所有模型使用 SGD 优化器训练， 都使用 `lr0=0.01` 和 `weight_decay=5e-5` 参数， 图像大小为 640 。
训练 log 可以查看 https://wandb.ai/glenn-jocher/YOLOv5_v70_official -- **准确性**结果都在 COCO 数据集上，使用单模型单尺度测试得到。
复现命令 `python segment/val.py --data coco.yaml --weights yolov5s-seg.pt` -- **推理速度**是使用 100 张图像推理时间进行平均得到，测试环境使用 [Colab Pro](https://colab.research.google.com/signup) 上 A100 高 RAM 实例。结果仅表示推理速度（NMS 每张图像增加约 1 毫秒）。
复现命令 `python segment/val.py --data coco.yaml --weights yolov5s-seg.pt --batch 1` -- **模型转换**到 FP32 的 ONNX 和 FP16 的 TensorRT 脚本为 `export.py`.
运行命令 `python export.py --weights yolov5s-seg.pt --include engine --device 0 --half` +- 所有检查点均使用 SGD 优化器（初始学习率 lr0=0.01，weight_decay=5e-5），图像尺寸为 640，训练 300 个 epochs，默认配置。
训练日志记录于 https://wandb.ai/glenn-jocher/YOLOv5_v70_official +- **准确率** 数值为在 COCO 数据集上单模型单尺度测试结果。
可通过 `python segment/val.py --data coco.yaml --weights yolov5s-seg.pt` 重现。 +- **速度** 为在 [Colab Pro](https://colab.research.google.com/signup) A100 高内存实例上，对 100 张测试图像的平均推理速度（仅计算推理时间，NMS 每张图像约增加 1ms）。
可通过 `python segment/val.py --data coco.yaml --weights yolov5s-seg.pt --batch 1` 重现。 +- **导出** 为 ONNX FP32 和 TensorRT FP16 是通过 `export.py` 完成的。
可通过 `python export.py --weights yolov5s-seg.pt --include engine --device 0 --half` 重现。
- 分割模型使用示例  Open In Colab + 分割使用示例  Open In Colab ### 训练 -YOLOv5分割训练支持自动下载 COCO128-seg 分割数据集，用户仅需在启动指令中包含 `--data coco128-seg.yaml` 参数。 若要手动下载，使用命令 `bash data/scripts/get_coco.sh --train --val --segments`， 在下载完毕后，使用命令 `python train.py --data coco.yaml` 开启训练。 +YOLOv5 分割训练支持通过 `--data coco128-seg.yaml` 参数自动下载 COCO128-seg 分割数据集，也支持通过 `bash data/scripts/get_coco.sh --train --val --segments` 手动下载 COCO-segments 数据集，然后运行 `python train.py --data coco.yaml`。 ```bash # 单 GPU python segment/train.py --data coco128-seg.yaml --weights yolov5s-seg.pt --img 640 -# 多 GPU， DDP 模式 +# 多 GPU DDP python -m torch.distributed.run --nproc_per_node 4 --master_port 1 segment/train.py --data coco128-seg.yaml --weights yolov5s-seg.pt --img 640 --device 0,1,2,3 ``` @@ -290,30 +289,28 @@ python -m torch.distributed.run --nproc_per_node 4 --master_port 1 segment/train 在 COCO 数据集上验证 YOLOv5s-seg mask mAP： ```bash -bash data/scripts/get_coco.sh --val --segments # 下载 COCO val segments 数据集 (780MB, 5000 images) -python segment/val.py --weights yolov5s-seg.pt --data coco.yaml --img 640 # 验证 +bash data/scripts/get_coco.sh --val --segments # 下载 COCO val 分割数据（780MB，5000 张图片） +python segment/val.py --weights yolov5s-seg.pt --data coco.yaml --img 640 # 开始验证 ``` -### 预测 +### 推理 -使用预训练的 YOLOv5m-seg.pt 来预测 bus.jpg： +使用预训练的 YOLOv5m-seg.pt 对 bus.jpg 进行预测： ```bash python segment/predict.py --weights yolov5m-seg.pt --source data/images/bus.jpg ``` ```python -model = torch.hub.load( - "ultralytics/yolov5", "custom", "yolov5m-seg.pt" -) # 从load from PyTorch Hub 加载模型 (WARNING: 推理暂未支持) +model = torch.hub.load("ultralytics/yolov5", "custom", "yolov5m-seg.pt") # 从 PyTorch Hub 加载（注意：暂不支持推理） ``` | ![zidane](https://user-images.githubusercontent.com/26833433/203113421-decef4c4-183d-4a0a-a6c2-6435b33bc5d3.jpg) | ![bus](https://user-images.githubusercontent.com/26833433/203113416-11fe0025-69f7-4874-a0a6-65d0bfe2999a.jpg) | | ---------------------------------------------------------------------------------------------------------------- | ------------------------------------------------------------------------------------------------------------- | -### 模型导出 +### 导出 -将 YOLOv5s-seg 模型导出到 ONNX 和 TensorRT： +将 YOLOv5s-seg 模型导出为 ONNX 和 TensorRT 格式： ```bash python export.py --weights yolov5s-seg.pt --include onnx engine --img 640 --device 0 @@ -321,84 +318,85 @@ python export.py --weights yolov5s-seg.pt --include onnx engine --img 640 --devi
-##
分类网络 ⭐ 新
+##
分类
-YOLOv5 [release v6.2](https://github.com/ultralytics/yolov5/releases) 带来对分类模型训练、验证和部署的支持！详情请查看 [发行说明](https://github.com/ultralytics/yolov5/releases/v6.2) 或访问我们的 [YOLOv5 分类 Colab 笔记本](https://github.com/ultralytics/yolov5/blob/master/classify/tutorial.ipynb) 以快速入门。 +YOLOv5 [v6.2 版本](https://github.com/ultralytics/yolov5/releases) 现已支持分类模型的训练、验证和部署！详见我们的 [版本说明](https://github.com/ultralytics/yolov5/releases/v6.2) ，并访问我们的 [YOLOv5 分类 Colab Notebook](https://github.com/ultralytics/yolov5/blob/master/classify/tutorial.ipynb) 获取快速入门教程。
- 分类网络模型 + 分类检查点
-我们使用 4xA100 实例在 ImageNet 上训练了 90 个 epochs 得到 YOLOv5-cls 分类模型，我们训练了 ResNet 和 EfficientNet 模型以及相同的默认训练设置以进行比较。我们将所有模型导出到 ONNX FP32 以进行 CPU 速度测试，并导出到 TensorRT FP16 以进行 GPU 速度测试。为了便于重现，我们在 Google 上进行了所有速度测试 [Colab Pro](https://colab.research.google.com/signup) 。 +我们在 ImageNet 数据集上使用 4xA100 实例训练 YOLOv5-cls 分类模型共 90 个 epochs，同时使用相同默认训练设置训练了 ResNet 和 EfficientNet 模型进行对比。所有模型均导出为 ONNX FP32 (CPU 速度测试) 和 TensorRT FP16 (GPU 速度测试)。所有速度测试均在 Google [Colab Pro](https://colab.research.google.com/signup) 上运行，以便于重现。 -| 模型 | 尺寸
（像素） | acc
top1 | acc
top5 | 训练时长
90 epochs
4xA100（小时） | 推理速度
ONNX CPU
（ms） | 推理速度
TensorRT V100
（ms） | 参数
(M) | FLOPs
@640 (B) | -| -------------------------------------------------------------------------------------------------- | --------------------- | ---------------- | ---------------- | -------------------------------------------- | ----------------------------------- | ---------------------------------------- | ---------------- | ---------------------- | -| [YOLOv5n-cls](https://github.com/ultralytics/yolov5/releases/download/v7.0/yolov5n-cls.pt) | 224 | 64.6 | 85.4 | 7:59 | **3.3** | **0.5** | **2.5** | **0.5** | -| [YOLOv5s-cls](https://github.com/ultralytics/yolov5/releases/download/v7.0/yolov5s-cls.pt) | 224 | 71.5 | 90.2 | 8:09 | 6.6 | 0.6 | 5.4 | 1.4 | -| [YOLOv5m-cls](https://github.com/ultralytics/yolov5/releases/download/v7.0/yolov5m-cls.pt) | 224 | 75.9 | 92.9 | 10:06 | 15.5 | 0.9 | 12.9 | 3.9 | -| [YOLOv5l-cls](https://github.com/ultralytics/yolov5/releases/download/v7.0/yolov5l-cls.pt) | 224 | 78.0 | 94.0 | 11:56 | 26.9 | 1.4 | 26.5 | 8.5 | -| [YOLOv5x-cls](https://github.com/ultralytics/yolov5/releases/download/v7.0/yolov5x-cls.pt) | 224 | **79.0** | **94.4** | 15:04 | 54.3 | 1.8 | 48.1 | 15.9 | -| | | | | | | | | | -| [ResNet18](https://github.com/ultralytics/yolov5/releases/download/v7.0/resnet18.pt) | 224 | 70.3 | 89.5 | **6:47** | 11.2 | 0.5 | 11.7 | 3.7 | -| [Resnetzch](https://github.com/ultralytics/yolov5/releases/download/v7.0/resnet34.pt) | 224 | 73.9 | 91.8 | 8:33 | 20.6 | 0.9 | 21.8 | 7.4 | -| [ResNet50](https://github.com/ultralytics/yolov5/releases/download/v7.0/resnet50.pt) | 224 | 76.8 | 93.4 | 11:10 | 23.4 | 1.0 | 25.6 | 8.5 | -| [ResNet101](https://github.com/ultralytics/yolov5/releases/download/v7.0/resnet101.pt) | 224 | 78.5 | 94.3 | 17:10 | 42.1 | 1.9 | 44.5 | 15.9 | -| | | | | | | | | | -| [EfficientNet_b0](https://github.com/ultralytics/yolov5/releases/download/v7.0/efficientnet_b0.pt) | 224 | 75.1 | 92.4 | 13:03 | 12.5 | 1.3 | 5.3 | 1.0 | -| [EfficientNet_b1](https://github.com/ultralytics/yolov5/releases/download/v7.0/efficientnet_b1.pt) | 224 | 76.4 | 93.2 | 17:04 | 14.9 | 1.6 | 7.8 | 1.5 | -| [EfficientNet_b2](https://github.com/ultralytics/yolov5/releases/download/v7.0/efficientnet_b2.pt) | 224 | 76.6 | 93.4 | 17:10 | 15.9 | 1.6 | 9.1 | 1.7 | -| [EfficientNet_b3](https://github.com/ultralytics/yolov5/releases/download/v7.0/efficientnet_b3.pt) | 224 | 77.7 | 94.0 | 19:19 | 18.9 | 1.9 | 12.2 | 2.4 | +| Model | size
(pixels) | acc
top1 | acc
top5 | Training
90 epochs
4xA100 (hours) | Speed
ONNX CPU
(ms) | Speed
TensorRT V100
(ms) | params
(M) | FLOPs
@224 (B) | +| -------------------------------------------------------------------------------------------------- | --------------------- | ---------------- | ---------------- | -------------------------------------------- | ------------------------------ | ----------------------------------- | ------------------ | ---------------------- | +| [YOLOv5n-cls](https://github.com/ultralytics/yolov5/releases/download/v7.0/yolov5n-cls.pt) | 224 | 64.6 | 85.4 | 7:59 | **3.3** | **0.5** | **2.5** | **0.5** | +| [YOLOv5s-cls](https://github.com/ultralytics/yolov5/releases/download/v7.0/yolov5s-cls.pt) | 224 | 71.5 | 90.2 | 8:09 | 6.6 | 0.6 | 5.4 | 1.4 | +| [YOLOv5m-cls](https://github.com/ultralytics/yolov5/releases/download/v7.0/yolov5m-cls.pt) | 224 | 75.9 | 92.9 | 10:06 | 15.5 | 0.9 | 12.9 | 3.9 | +| [YOLOv5l-cls](https://github.com/ultralytics/yolov5/releases/download/v7.0/yolov5l-cls.pt) | 224 | 78.0 | 94.0 | 11:56 | 26.9 | 1.4 | 26.5 | 8.5 | +| [YOLOv5x-cls](https://github.com/ultralytics/yolov5/releases/download/v7.0/yolov5x-cls.pt) | 224 | **79.0** | **94.4** | 15:04 | 54.3 | 1.8 | 48.1 | 15.9 | +| | | | | | | | | | +| [ResNet18](https://github.com/ultralytics/yolov5/releases/download/v7.0/resnet18.pt) | 224 | 70.3 | 89.5 | **6:47** | 11.2 | 0.5 | 11.7 | 3.7 | +| [ResNet34](https://github.com/ultralytics/yolov5/releases/download/v7.0/resnet34.pt) | 224 | 73.9 | 91.8 | 8:33 | 20.6 | 0.9 | 21.8 | 7.4 | +| [ResNet50](https://github.com/ultralytics/yolov5/releases/download/v7.0/resnet50.pt) | 224 | 76.8 | 93.4 | 11:10 | 23.4 | 1.0 | 25.6 | 8.5 | +| [ResNet101](https://github.com/ultralytics/yolov5/releases/download/v7.0/resnet101.pt) | 224 | 78.5 | 94.3 | 17:10 | 42.1 | 1.9 | 44.5 | 15.9 | +| | | | | | | | | | +| [EfficientNet_b0](https://github.com/ultralytics/yolov5/releases/download/v7.0/efficientnet_b0.pt) | 224 | 75.1 | 92.4 | 13:03 | 12.5 | 1.3 | 5.3 | 1.0 | +| [EfficientNet_b1](https://github.com/ultralytics/yolov5/releases/download/v7.0/efficientnet_b1.pt) | 224 | 76.4 | 93.2 | 17:04 | 14.9 | 1.6 | 7.8 | 1.5 | +| [EfficientNet_b2](https://github.com/ultralytics/yolov5/releases/download/v7.0/efficientnet_b2.pt) | 224 | 76.6 | 93.4 | 17:10 | 15.9 | 1.6 | 9.1 | 1.7 | +| [EfficientNet_b3](https://github.com/ultralytics/yolov5/releases/download/v7.0/efficientnet_b3.pt) | 224 | 77.7 | 94.0 | 19:19 | 18.9 | 1.9 | 12.2 | 2.4 |
- Table Notes (点击以展开) + 表格说明 (点击展开) + +- 所有检查点均使用 SGD 优化器（初始学习率 lr0=0.001，weight_decay=5e-5），图像尺寸为 224，训练 90 个 epochs，默认配置。
训练日志记录于 https://wandb.ai/glenn-jocher/YOLOv5-Classifier-v6-2 +- **准确率** 数值为在 [ImageNet-1k](https://www.image-net.org/index.php) 数据集上的单模型单尺度测试结果。
可通过 `python classify/val.py --data ../datasets/imagenet --img 224` 重现。 +- **速度** 为在 Google [Colab Pro](https://colab.research.google.com/signup) V100 高内存实例上，以 100 张图片测试的平均推理速度。
可通过 `python classify/val.py --data ../datasets/imagenet --img 224 --batch 1` 重现。 +- **导出** 为 ONNX FP32 和 TensorRT FP16 均通过 `export.py` 完成。
可通过 `python export.py --weights yolov5s-cls.pt --include engine onnx --imgsz 224` 重现。 -- 所有模型都使用 SGD 优化器训练 90 个 epochs，都使用 `lr0=0.001` 和 `weight_decay=5e-5` 参数， 图像大小为 224 ，且都使用默认设置。
训练 log 可以查看 https://wandb.ai/glenn-jocher/YOLOv5-Classifier-v6-2 -- **准确性**都在单模型单尺度上计算，数据集使用 [ImageNet-1k](https://www.image-net.org/index.php) 。
复现命令 `python classify/val.py --data ../datasets/imagenet --img 224` -- **推理速度**是使用 100 个推理图像进行平均得到，测试环境使用谷歌 [Colab Pro](https://colab.research.google.com/signup) V100 高 RAM 实例。
复现命令 `python classify/val.py --data ../datasets/imagenet --img 224 --batch 1` -- **模型导出**到 FP32 的 ONNX 和 FP16 的 TensorRT 使用 `export.py` 。
复现命令 `python export.py --weights yolov5s-cls.pt --include engine onnx --imgsz 224`
- 分类训练示例  Open In Colab + 分类使用示例  Open In Colab ### 训练 -YOLOv5 分类训练支持自动下载 MNIST、Fashion-MNIST、CIFAR10、CIFAR100、Imagenette、Imagewoof 和 ImageNet 数据集，命令中使用 `--data` 即可。 MNIST 示例 `--data mnist` 。 +YOLOv5 分类训练支持通过 `--data` 参数自动下载 MNIST、Fashion-MNIST、CIFAR10、CIFAR100、Imagenette、Imagewoof 和 ImageNet 数据集。例如，启动 MNIST 训练只需指定 `--data mnist`。 ```bash # 单 GPU python classify/train.py --model yolov5s-cls.pt --data cifar100 --epochs 5 --img 224 --batch 128 -# 多 GPU， DDP 模式 +# 多 GPU DDP python -m torch.distributed.run --nproc_per_node 4 --master_port 1 classify/train.py --model yolov5s-cls.pt --data imagenet --epochs 5 --img 224 --device 0,1,2,3 ``` ### 验证 -在 ImageNet-1k 数据集上验证 YOLOv5m-cls 的准确性： +在 ImageNet-1k 数据集上验证 YOLOv5m-cls 的准确率： ```bash -bash data/scripts/get_imagenet.sh --val # download ImageNet val split (6.3G, 50000 images) -python classify/val.py --weights yolov5m-cls.pt --data ../datasets/imagenet --img 224 # validate +bash data/scripts/get_imagenet.sh --val # 下载 ImageNet 验证集（6.3G，50000 张图片） +python classify/val.py --weights yolov5m-cls.pt --data ../datasets/imagenet --img 224 # 开始验证 ``` -### 预测 +### 推理 -使用预训练的 YOLOv5s-cls.pt 来预测 bus.jpg： +使用预训练的 YOLOv5s-cls.pt 对 bus.jpg 进行预测： ```bash python classify/predict.py --weights yolov5s-cls.pt --source data/images/bus.jpg ``` ```python -model = torch.hub.load("ultralytics/yolov5", "custom", "yolov5s-cls.pt") # load from PyTorch Hub +model = torch.hub.load("ultralytics/yolov5", "custom", "yolov5s-cls.pt") # 从 PyTorch Hub 加载 ``` -### 模型导出 +### 导出 -将一组经过训练的 YOLOv5s-cls、ResNet 和 EfficientNet 模型导出到 ONNX 和 TensorRT： +将训练好的 YOLOv5s-cls、ResNet 和 EfficientNet 模型导出为 ONNX 和 TensorRT 格式： ```bash python export.py --weights yolov5s-cls.pt resnet50.pt efficientnet_b0.pt --include onnx engine --img 224 @@ -408,7 +406,7 @@ python export.py --weights yolov5s-cls.pt resnet50.pt efficientnet_b0.pt --inclu ##
环境
-使用下面我们经过验证的环境，在几秒钟内开始使用 YOLOv5 。单击下面的图标了解详细信息。 +使用我们的验证环境，让你在几秒钟内开始体验。点击下方每个图标了解详细信息。
@@ -432,23 +430,23 @@ python export.py --weights yolov5s-cls.pt resnet50.pt efficientnet_b0.pt --inclu ##
贡献
-我们喜欢您的意见或建议！我们希望尽可能简单和透明地为 YOLOv5 做出贡献。请看我们的 [投稿指南](https://docs.ultralytics.com/help/contributing/)，并填写 [YOLOv5调查](https://www.ultralytics.com/survey?utm_source=github&utm_medium=social&utm_campaign=Survey) 向我们发送您的体验反馈。感谢我们所有的贡献者！ +我们欢迎您的意见！希望能让贡献 YOLOv5 变得轻松且透明。请参阅我们的 [贡献指南](https://docs.ultralytics.com/help/contributing/) 开始参与，并填写 [YOLOv5 调查问卷](https://www.ultralytics.com/survey?utm_source=github&utm_medium=social&utm_campaign=Survey) 向我们反馈您的体验。感谢所有贡献者！ - + -##
许可证
+##
许可
-Ultralytics 提供两种许可证选项以适应各种使用场景： +Ultralytics 提供两种许可选项，以满足不同的使用场景： -- **AGPL-3.0 许可证**：这个[OSI 批准](https://opensource.org/license)的开源许可证非常适合学生和爱好者，可以推动开放的协作和知识分享。请查看[LICENSE](https://github.com/ultralytics/yolov5/blob/master/LICENSE) 文件以了解更多细节。 -- **企业许可证**：专为商业用途设计，该许可证允许将 Ultralytics 的软件和 AI 模型无缝集成到商业产品和服务中，从而绕过 AGPL-3.0 的开源要求。如果您的场景涉及将我们的解决方案嵌入到商业产品中，请通过 [Ultralytics Licensing](https://www.ultralytics.com/license)与我们联系。 +- **AGPL-3.0 许可**：这是一种 [OSI 认可](https://opensource.org/license) 的开源许可，非常适合学生和爱好者，旨在促进开放协作与知识共享。更多详情见 [LICENSE](https://github.com/ultralytics/yolov5/blob/master/LICENSE) 文件。 +- **企业许可**：针对商业用途设计，此许可允许将 Ultralytics 软件和 AI 模型无缝集成到商业产品和服务中，免去了 AGPL-3.0 开源许可的要求。如果您的应用场景涉及将我们的解决方案嵌入到商业产品中，请通过 [Ultralytics Licensing](https://www.ultralytics.com/license) 与我们联系。 -##
联系方式
+##
联系
-对于 Ultralytics 的错误报告和功能请求，请访问 [GitHub Issues](https://github.com/ultralytics/yolov5/issues)，并加入我们的 [Discord](https://discord.com/invite/ultralytics) 社区进行问题和讨论！ +有关 YOLOv5 的 bug 报告和功能请求，请访问 [GitHub Issues](https://github.com/ultralytics/yolov5/issues)，如有疑问和讨论，请加入我们的 [Discord](https://discord.com/invite/ultralytics) 社区！