diff --git a/README.zh-CN.md b/README.zh-CN.md index 543905c..605878d 100644 --- a/README.zh-CN.md +++ b/README.zh-CN.md @@ -1,7 +1,7 @@

- Ultralytics YOLO banner + Ultralytics YOLO 横幅

[中文](https://docs.ultralytics.com/zh) | [한국어](https://docs.ultralytics.com/ko) | [日本語](https://docs.ultralytics.com/ja) | [Русский](https://docs.ultralytics.com/ru) | [Deutsch](https://docs.ultralytics.com/de) | [Français](https://docs.ultralytics.com/fr) | [Español](https://docs.ultralytics.com/es) | [Português](https://docs.ultralytics.com/pt) | [Türkçe](https://docs.ultralytics.com/tr) | [Tiếng Việt](https://docs.ultralytics.com/vi) | [العربية](https://docs.ultralytics.com/ar) @@ -18,11 +18,11 @@

-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。 +YOLOv5 🚀 是全球最受喜爱的视觉 AI，代表了 Ultralytics 在未来视觉 AI 方法上的开源研究成果，这些成果融合了经过数千小时研发的经验和最佳实践。 -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！ +我们希望这里提供的资源能帮助您充分发挥 YOLOv5 的优势。请查阅 YOLOv5 的 文档 了解详情，如需支持请在 GitHub 上提交问题，或加入我们的 Discord 社区进行提问和讨论！ -如需申请企业许可，请前往 [Ultralytics Licensing](https://www.ultralytics.com/license) 填写表单。 +若需申请企业许可证，请在 [Ultralytics Licensing](https://www.ultralytics.com/license) 完成相关表单。
Ultralytics GitHub @@ -45,9 +45,9 @@ YOLOv5 🚀 是全球最受欢迎的视觉 AI，代表着 YOLO11 🚀 新品发布
-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。 +我们很高兴地宣布推出 Ultralytics YOLO11 🚀——我们最先进（SOTA）视觉模型的最新成果！现已在 **[GitHub](https://github.com/ultralytics/ultralytics)** 上发布，YOLO11 延续了我们在速度、准确性和易用性方面的优秀传统。不论您是处理目标检测、图像分割还是图像分类，YOLO11 都能提供多样应用场景下卓越的性能和灵活性。 -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： +今天就开始体验，释放 YOLO11 的全部潜力吧！请访问 [Ultralytics 文档](https://docs.ultralytics.com/) 获取全面的指南和资源： [![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) @@ -62,12 +62,12 @@ pip install ultralytics ##
文档
-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。 +请参阅 [YOLOv5 文档](https://docs.ultralytics.com/yolov5/) 获取关于训练、测试和部署的完整指南。下方提供了快速入门示例。
安装 -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/)。 +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) 文件中的依赖，包括 [**PyTorch>=1.8**](https://pytorch.org/get-started/locally/)。 ```bash git clone https://github.com/ultralytics/yolov5 # 克隆仓库 @@ -80,21 +80,21 @@ pip install -r requirements.txt # 安装依赖
推理 -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。 +YOLOv5 [PyTorch Hub](https://docs.ultralytics.com/yolov5/tutorials/pytorch_hub_model_loading/) 推理示例。[Models](https://github.com/ultralytics/yolov5/tree/master/models) 会自动从最新的 YOLOv5 [发行版](https://github.com/ultralytics/yolov5/releases) 下载。 ```python import torch -# 加载 YOLOv5 模型（可选项: yolov5n, yolov5s, yolov5m, yolov5l, yolov5x） +# 加载 YOLOv5 模型（可选：yolov5n, yolov5s, yolov5m, yolov5l, yolov5x） model = torch.hub.load("ultralytics/yolov5", "yolov5s") -# 输入源（URL、文件、PIL 图像、OpenCV、numpy 数组 或 列表） +# 输入源（URL、文件、PIL、OpenCV、numpy 数组或列表） img = "https://ultralytics.com/images/zidane.jpg" -# 执行推理（支持批处理、调整大小、归一化） +# 执行推理（自动处理批量、调整大小、归一化） results = model(img) -# 处理结果（可选方法：.print(), .show(), .save(), .crop(), .pandas()） +# 处理结果（可选：.print(), .show(), .save(), .crop(), .pandas()） results.print() ``` @@ -103,19 +103,19 @@ results.print()
使用 detect.py 进行推理 -`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。 +`detect.py` 在多种来源上运行推理，自动从最新的 YOLOv5 [发行版](https://github.com/ultralytics/yolov5/releases) 下载 [models](https://github.com/ultralytics/yolov5/tree/master/models)，并将结果保存至 `runs/detect`。 ```bash -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 0 # 摄像头 +python detect.py --weights yolov5s.pt --source img.jpg # 图片 +python detect.py --weights yolov5s.pt --source vid.mp4 # 视频 +python detect.py --weights yolov5s.pt --source screen # 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 +python detect.py --weights yolov5s.pt --source 'path/*.jpg' # glob 通配符 +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 流 ```
@@ -123,7 +123,7 @@ python detect.py --weights yolov5s.pt --source 'rtsp://example.com/media.mp4' #
训练 -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。 +以下命令重现了 YOLOv5 [COCO](https://github.com/ultralytics/yolov5/blob/master/data/scripts/get_coco.sh) 数据集的结果。[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 [发行版](https://github.com/ultralytics/yolov5/releases) 下载。使用 V100 GPU 训练 YOLOv5n/s/m/l/x 的时间分别为 1/2/4/6/8 天（[多 GPU](https://docs.ultralytics.com/yolov5/tutorials/multi_gpu_training/) 可大幅加快训练速度）。建议使用最大的 `--batch-size`，或传入 `--batch-size -1` 以使用 YOLOv5 [AutoBatch](https://github.com/ultralytics/yolov5/pull/5092)。下面显示的批量大小基于 V100-16GB。 ```bash python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5n.yaml --batch-size 128 @@ -140,32 +140,32 @@ python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5x.yaml --
教程 -- [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/) ☘️ +- [训练自定义数据](https://docs.ultralytics.com/yolov5/tutorials/train_custom_data/) 🚀 强烈推荐 +- [获得最佳训练效果的技巧](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 +- [PyTorch Hub](https://docs.ultralytics.com/yolov5/tutorials/pytorch_hub_model_loading/) 🌟 新版 - [TFLite, ONNX, CoreML, TensorRT 导出](https://docs.ultralytics.com/yolov5/tutorials/model_export/) 🚀 -- [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/) +- [NVIDIA Jetson 平台部署](https://docs.ultralytics.com/yolov5/tutorials/running_on_jetson_nano/) 🌟 新版 +- [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 +- [模型修剪/稀疏](https://docs.ultralytics.com/yolov5/tutorials/model_pruning_and_sparsity/) +- [超参数进化](https://docs.ultralytics.com/yolov5/tutorials/hyperparameter_evolution/) +- [冻结层进行迁移学习](https://docs.ultralytics.com/yolov5/tutorials/transfer_learning_with_frozen_layers/) +- [架构概述](https://docs.ultralytics.com/yolov5/tutorials/architecture_description/) 🌟 新版 +- [Ultralytics HUB 进行训练和部署 YOLO](https://www.ultralytics.com/hub) 🚀 强烈推荐 - [ClearML 日志记录](https://docs.ultralytics.com/yolov5/tutorials/clearml_logging_integration/) -- [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 +- [YOLOv5 与 Neural Magic 的 Deepsparse](https://docs.ultralytics.com/yolov5/tutorials/neural_magic_pruning_quantization/) +- [Comet 日志记录](https://docs.ultralytics.com/yolov5/tutorials/comet_logging_integration/) 🌟 新版
##
集成
-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。 +我们与领先 AI 平台的深度集成拓展了 Ultralytics 解决方案的功能，提升了数据集标注、训练、可视化和模型管理等任务的效率。了解 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) 以及 [OpenVINO](https://docs.ultralytics.com/integrations/openvino/) 合作，优化您的 AI 工作流程。
-Ultralytics active learning integrations +Ultralytics 主动学习集成

@@ -174,7 +174,7 @@ python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5x.yaml -- Ultralytics HUB logo space - ClearML logo + Weights & Biases logo space Comet ML logo @@ -183,20 +183,20 @@ python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5x.yaml -- NeuralMagic logo -| 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 🚀 | W&B | Comet ⭐ 新版 | Neural Magic | +| :----------------------------------------------------------------------------------------------------------: | :------------------------------------------------------------------------------------------------------: | :--------------------------------------------------------------------------------------------------------------------: | :-------------------------------------------------------------------------------------------------: | +| 简化 YOLO 工作流程：使用 [Ultralytics HUB](https://www.ultralytics.com/hub) 轻松标注、训练和部署。立即体验！ | 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 YOLOv5 模型、恢复训练，并以交互方式可视化和调试预测。 | 使用 [Neural Magic DeepSparse](https://bit.ly/yolov5-neuralmagic) 使 YOLO11 推理速度提升最高 6 倍。 | ##
Ultralytics HUB
-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！ +体验无缝 AI 体验，使用 [Ultralytics HUB](https://www.ultralytics.com/hub) ⭐ ——这是一个无需编写代码即可进行数据可视化、YOLOv5 与 YOLOv8 🚀 模型训练和部署的一体化解决方案。借助我们前沿的平台和用户友好的 [Ultralytics App](https://www.ultralytics.com/app-install)，您能轻松将图像转化为可操作的洞察并让您的 AI 创想成真。立即开始您的【免费】之旅吧！ -##
为什么选择 YOLOv5
+##
为何选择 YOLOv5
-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 的设计初衷是让入门变得极为简单且易于学习。我们专注于真实世界的结果。

@@ -207,10 +207,10 @@ YOLOv5 的设计初衷是让入门变得极其简单，并易于学习。我们
图示说明 -- **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` +- **COCO AP val** 表示在 5000 张 [COCO val2017](http://cocodataset.org) 图像数据集上、推理尺寸从 256 到 1536 不同情况下测量的 mAP@0.5:0.95 指标。 +- **GPU Speed** 测量在 [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，以批量大小 32 计算的平均每张图推理时间。 +- **EfficientDet** 数据来自 [google/automl](https://github.com/google/automl)，批量大小为 8。 +- **重现** 命令：`python val.py --task study --data coco.yaml --iou 0.7 --weights yolov5n6.pt yolov5s6.pt yolov5m6.pt yolov5l6.pt yolov5x6.pt`
@@ -233,16 +233,16 @@ YOLOv5 的设计初衷是让入门变得极其简单，并易于学习。我们
表格说明 -- 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。 +- 所有检查点均使用默认设置训练 300 个周期。Nano 与 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，其它模型使用 [hyp.scratch-high.yaml](https://github.com/ultralytics/yolov5/blob/master/data/hyps/hyp.scratch-high.yaml)。 +- **mAPval** 指标为在 [COCO val2017](http://cocodataset.org) 数据集上单模型单尺度计算的结果。
重现命令：`python val.py --data coco.yaml --img 640 --conf 0.001 --iou 0.65` +- **Speed** 为在 [AWS p3.2xlarge](https://aws.amazon.com/ec2/instance-types/p4/) 实例中基于 COCO val 图像平均推理时间（批量为 1）。不包含 NMS 时间（约 1 ms/图）。
重现命令：`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/) 包括反射翻转和缩放增强。
重现命令：`python val.py --data coco.yaml --img 1536 --iou 0.7 --augment`
##
分割
-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。 +我们全新推出的 YOLOv5 [release v7.0](https://github.com/ultralytics/yolov5/releases/v7.0) 实例分割模型是目前全球最快且最精准的，其性能超越了所有现有 [SOTA 基准](https://paperswithcode.com/sota/real-time-instance-segmentation-on-mscoco)。我们将其训练、验证和部署过程简化到了极致。详细信息请参阅我们的 [发行说明](https://github.com/ultralytics/yolov5/releases/v7.0) ，同时访问我们的 [YOLOv5 分割 Colab Notebook](https://github.com/ultralytics/yolov5/blob/master/segment/tutorial.ipynb) 获取快速入门教程。
分割检查点 @@ -252,7 +252,7 @@ YOLOv5 的设计初衷是让入门变得极其简单，并易于学习。我们 -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。 +我们在 A100 GPU 上以图像尺寸 640 对 COCO 数据集训练了 YOLOv5 分割模型共 300 个周期。我们将所有模型导出为 ONNX FP32 以进行 CPU 速度测试，及 TensorRT FP16 以进行 GPU 速度测试。所有速度测试均在 Google [Colab Pro](https://colab.research.google.com/signup) 笔记本上进行，以便于结果重现。 | 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) | | ------------------------------------------------------------------------------------------ | --------------------- | -------------------- | --------------------- | --------------------------------------------- | ------------------------------ | ------------------------------ | ------------------ | ---------------------- | @@ -262,10 +262,10 @@ YOLOv5 的设计初衷是让入门变得极其简单，并易于学习。我们 | [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。 +- 所有检查点均使用 SGD 优化器（`lr0=0.01`，`weight_decay=5e-5`）以图像尺寸 640 训练 300 个周期，且均采用默认设置。
训练日志记录于 https://wandb.ai/glenn-jocher/YOLOv5_v70_official +- **准确度** 为在 COCO 数据集上单模型单尺度的结果。
重现命令：`python segment/val.py --data coco.yaml --weights yolov5s-seg.pt` +- **速度** 为在 Google [Colab Pro](https://colab.research.google.com/signup) A100 高内存实例上，针对 100 张推理图像计算的平均推理速度。数值仅表示推理速度（NMS 每图约增加 1ms）。
重现命令：`python segment/val.py --data coco.yaml --weights yolov5s-seg.pt --batch 1` +- **导出** 为 ONNX FP32 及 TensorRT FP16 均通过 `export.py` 执行。
重现命令：`python export.py --weights yolov5s-seg.pt --include engine --device 0 --half`
@@ -274,26 +274,26 @@ YOLOv5 的设计初衷是让入门变得极其简单，并易于学习。我们 ### 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`。 +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，也支持通过执行 `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 +# 单 GPU 训练 python segment/train.py --data coco128-seg.yaml --weights yolov5s-seg.pt --img 640 -# 多 GPU DDP +# 多 GPU DDP 训练 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 ``` ### 验证 -在 COCO 数据集上验证 YOLOv5s-seg mask mAP： +在 COCO 数据集上验证 YOLOv5s-seg 的 mask mAP： ```bash -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 +bash data/scripts/get_coco.sh --val --segments # 下载 COCO val 分割集（780MB，5000 张图） +python segment/val.py --weights yolov5s-seg.pt --data coco.yaml --img 640 # 验证 ``` -### 推理 +### 预测 使用预训练的 YOLOv5m-seg.pt 对 bus.jpg 进行预测： @@ -302,7 +302,9 @@ 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 PyTorch Hub 加载（注意：暂不支持推理） +model = torch.hub.load( + "ultralytics/yolov5", "custom", "yolov5m-seg.pt" +) # 从 PyTorch Hub 加载（注意：目前推理尚未支持） ``` | ![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) | @@ -310,7 +312,7 @@ model = torch.hub.load("ultralytics/yolov5", "custom", "yolov5m-seg.pt") # 从 ### 导出 -将 YOLOv5s-seg 模型导出为 ONNX 和 TensorRT 格式： +将 YOLOv5s-seg 模型导出为 ONNX 与 TensorRT 格式： ```bash python export.py --weights yolov5s-seg.pt --include onnx engine --img 640 --device 0 @@ -320,14 +322,14 @@ python export.py --weights yolov5s-seg.pt --include onnx engine --img 640 --devi ##
分类
-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。 +YOLOv5 [release v6.2](https://github.com/ultralytics/yolov5/releases) 新增了对分类模型的训练、验证和部署支持！详细信息请参阅我们的 [发行说明](https://github.com/ultralytics/yolov5/releases/v6.2) ，同时访问我们的 [YOLOv5 分类 Colab Notebook](https://github.com/ultralytics/yolov5/blob/master/classify/tutorial.ipynb) 获取快速入门教程。
分类检查点
-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。 +我们在 ImageNet 数据集上训练了 YOLOv5-cls 分类模型，共训练 90 个周期，使用 4 个 A100 实例进行训练。同时为了对比，我们还训练了 ResNet 和 EfficientNet 模型，均采用相同的默认训练设置。所有模型均导出为 ONNX FP32 以进行 CPU 速度测试，并导出为 TensorRT FP16 以进行 GPU 速度测试。所有速度测试均在 Google [Colab Pro](https://colab.research.google.com/signup) 上进行，以方便结果重现。 | 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) | | -------------------------------------------------------------------------------------------------- | --------------------- | ---------------- | ---------------- | -------------------------------------------- | ------------------------------ | ----------------------------------- | ------------------ | ---------------------- | @@ -350,10 +352,10 @@ YOLOv5 [v6.2 版本](https://github.com/ultralytics/yolov5/releases) 现已支
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。 +- 所有检查点均使用默认设置，在图像尺寸 224 下以 SGD 优化器（`lr0=0.001`，`weight_decay=5e-5`）训练 90 个周期。训练日志记录于 https://wandb.ai/glenn-jocher/YOLOv5-Classifier-v6-2 +- **准确率** 为在 [ImageNet-1k](https://www.image-net.org/index.php) 数据集上单模型单尺度计算的结果。
重现命令：`python classify/val.py --data ../datasets/imagenet --img 224` +- **速度** 为在 Google [Colab Pro](https://colab.research.google.com/signup) V100 高内存实例上，针对 100 张推理图像计算的平均推理速度。
重现命令：`python classify/val.py --data ../datasets/imagenet --img 224 --batch 1` +- **导出** 为 ONNX FP32 及 TensorRT FP16 均通过 `export.py` 执行。
重现命令：`python export.py --weights yolov5s-cls.pt --include engine onnx --imgsz 224`
@@ -363,13 +365,13 @@ YOLOv5 [v6.2 版本](https://github.com/ultralytics/yolov5/releases) 现已支 ### 训练 -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`。 +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 训练只需使用 `--data mnist`。 ```bash -# 单 GPU +# 单 GPU 训练 python classify/train.py --model yolov5s-cls.pt --data cifar100 --epochs 5 --img 224 --batch 128 -# 多 GPU DDP +# 多 GPU DDP 训练 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 ``` @@ -378,11 +380,11 @@ python -m torch.distributed.run --nproc_per_node 4 --master_port 1 classify/trai 在 ImageNet-1k 数据集上验证 YOLOv5m-cls 的准确率： ```bash -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 +bash data/scripts/get_imagenet.sh --val # 下载 ImageNet 验证集（6.3G，50000 张图） +python classify/val.py --weights yolov5m-cls.pt --data ../datasets/imagenet --img 224 # 验证 ``` -### 推理 +### 预测 使用预训练的 YOLOv5s-cls.pt 对 bus.jpg 进行预测： @@ -396,7 +398,7 @@ model = torch.hub.load("ultralytics/yolov5", "custom", "yolov5s-cls.pt") # 从 ### 导出 -将训练好的 YOLOv5s-cls、ResNet 和 EfficientNet 模型导出为 ONNX 和 TensorRT 格式： +将一组训练好的 YOLOv5s-cls、ResNet 和 EfficientNet 模型导出为 ONNX 与 TensorRT 格式： ```bash python export.py --weights yolov5s-cls.pt resnet50.pt efficientnet_b0.pt --include onnx engine --img 224 @@ -406,7 +408,7 @@ python export.py --weights yolov5s-cls.pt resnet50.pt efficientnet_b0.pt --inclu ##
环境
-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。 +只需几秒钟即可开始使用我们的经过验证的环境。点击下方每个图标了解详情。
@@ -430,23 +432,23 @@ python export.py --weights yolov5s-cls.pt resnet50.pt efficientnet_b0.pt --inclu ##
贡献
-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！ +我们非常欢迎您的反馈！我们希望让贡献 YOLOv5 的过程变得简单且透明。请参阅我们的 [贡献指南](https://docs.ultralytics.com/help/contributing/) 开始贡献，并填写 [YOLOv5 调查问卷](https://www.ultralytics.com/survey?utm_source=github&utm_medium=social&utm_campaign=Survey) 告诉我们您的体验。感谢所有贡献者！ - + -##
许可
+##
许可证
-Ultralytics 提供两种许可选项，以满足不同的使用场景： +Ultralytics 提供两种许可证选项以满足不同的使用场景： -- **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。 +- **AGPL-3.0 许可证**：这种 [OSI 认可](https://opensource.org/license) 的开源许可证适合学生和爱好者，旨在促进开放协作与知识共享。详见 [LICENSE](https://github.com/ultralytics/yolov5/blob/master/LICENSE) 文件获取更多细节。 +- **企业许可证**：专为商业用途设计，该许可证允许将 Ultralytics 软件和 AI 模型无缝集成到商业产品和服务中，从而规避 AGPL-3.0 的开源要求。如果您的使用场景涉及将我们的解决方案嵌入商业产品，请通过 [Ultralytics Licensing](https://www.ultralytics.com/license) 与我们联系。 -##
联系
+##
联系方式
-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！ +有关 YOLOv5 的 Bug 报告和功能请求，请访问 [GitHub Issues](https://github.com/ultralytics/yolov5/issues)，与此同时欢迎加入我们的 [Discord](https://discord.com/invite/ultralytics) 社区进行交流和讨论！