概述

相关源文件

• README.md
• README.zh-CN.md
• classify/tutorial.ipynb
• segment/tutorial.ipynb
• tutorial.ipynb

YOLOv5 是 Ultralytics 开发的一款尖端的、最先进的 (SOTA) 计算机视觉模型。它为对象检测、实例分割和图像分类任务提供了一个全面的生态系统。YOLOv5 构建在 PyTorch 框架之上，提供了高性能、高效的模型，在速度和准确性之间取得了平衡，可用于实际应用。

本文档概述了 YOLOv5 仓库的结构、架构和核心组件。有关特定功能的更详细信息，请参阅相应的维基页面：安装与设置、训练、推理、验证、模型架构 和 部署。

系统架构

YOLOv5 的架构遵循模块化设计，具有清晰定义的组件，可处理计算机视觉管道的不同方面。

架构图

来源：README.md21-23 tutorial.ipynb65-89

核心组件

模型

YOLOv5 提供三种主要模型类型

1. 检测模型 - 用于识别和定位带有边界框的对象
2. 分割模型 - 用于带有像素级掩码的实例分割
3. 分类模型 - 用于图像分类任务

所有模型都继承自具有针对不同任务的专用头的基本架构。

来源：README.md253-269

模型变体

YOLOv5 提供多种模型尺寸，具有不同的速度-精度权衡

模型	大小	mAPval 50-95	速度 CPU b1 (ms)	参数 (M)	FLOPs @640 (B)
YOLOv5n	640	28.0	45	1.9	4.5
YOLOv5s	640	37.4	98	7.2	16.5
YOLOv5m	640	45.4	224	21.2	49.0
YOLOv5l	640	49.0	430	46.5	109.1
YOLOv5x	640	50.7	766	86.7	205.7

来源：README.md257-269

核心脚本

YOLOv5 操作通过四个主要脚本执行

1. train.py - 处理在自定义或预定义数据集上训练模型
2. detect.py - 对图像、视频或流进行推理
3. val.py - 使用 mAP 等指标验证模型性能
4. export.py - 将模型转换为各种部署格式

来源：tutorial.ipynb108-146 README.md147-170

工作流程管道

训练流程

来源：tutorial.ipynb284-292 README.md150-174

推理管道

来源：README.md108-146 tutorial.ipynb114-146

数据处理

YOLOv5 包含强大的数据加载和增强系统，支持各种输入格式并有助于提高模型的泛化能力。

来源：README.md330-350 tutorial.ipynb290-292

任务能力

目标检测

YOLOv5 在对象检测方面表现出色，能够识别和定位 COCO 数据集中的多达 80 种不同的对象类别。它会输出带有类别标签和置信度的边界框。

来源：README.md21-23 tutorial.ipynb114-128

实例分割

随着 v7.0 的发布，YOLOv5 增加了对实例分割的支持，为检测到的对象提供像素级掩码。分割模型使用与检测模型相同的骨干网络，并增加了用于掩码预测的附加层。

来源：README.md280-307 segment/tutorial.ipynb102-116

图像分类

YOLOv5 还支持图像分类，其模型已在 ImageNet 上进行训练。分类模型使用相似的骨干结构，但具有针对分类任务优化的不同头。

来源：README.md365-392 classify/tutorial.ipynb102-116

集成生态系统

YOLOv5 为实验跟踪、模型导出和部署提供了与各种工具和平台的广泛集成。

来源：README.md198-225 tutorial.ipynb511-524

快速入门

YOLOv5 为训练、检测和验证提供了简单的接口

训练模型

运行推理

验证模型

有关安装、训练和部署的更详细信息，请参阅本文档开头链接的特定维基页面。

来源：README.md150-170 tutorial.ipynb140-146 tutorial.ipynb220-223 tutorial.ipynb325-328