Yolov5

Outro código-fonte

7.0

Baixar

YOLOv5 ? é a IA de visão mais amada do mundo, representando a pesquisa de código aberto da Ultralytics sobre métodos de IA de visão futura, incorporando lições aprendidas e melhores práticas desenvolvidas ao longo de milhares de horas de pesquisa e desenvolvimento.

Esperamos que os recursos aqui ajudem você a aproveitar ao máximo o YOLOv5. Consulte os documentos YOLOv5 para obter detalhes, levante um problema no GitHub para obter suporte e junte-se à nossa comunidade Discord para perguntas e discussões!

Para solicitar uma licença empresarial, preencha o formulário em Licenciamento Ultralytics.

YOLO11? NOVO

Temos o prazer de revelar o lançamento do Ultralytics YOLO11?, o mais recente avanço em nossos modelos de visão de última geração (SOTA)! Disponível agora no GitHub , o YOLO11 se baseia em nosso legado de velocidade, precisão e facilidade de uso. Esteja você lidando com detecção de objetos, segmentação ou classificação de imagens, o YOLO11 oferece o desempenho e a versatilidade necessários para se destacar em diversas aplicações.

Comece hoje e libere todo o potencial do YOLO11! Visite o Ultralytics Docs para guias e recursos completos:

 pip instalar ultralíticos

Documentação

Consulte a documentação YOLOv5 para documentação completa sobre treinamento, teste e implantação. Veja abaixo exemplos de início rápido.

Instalar

Clone o repositório e instale requisitos.txt em um ambiente Python>=3.8.0 , incluindo PyTorch>=1.8 .

 clone git https://github.com/ultralytics/yolov5 # clonecd yolov5
pip instalar -r requisitos.txt # instalar

Inferência

Inferência do YOLOv5 PyTorch Hub. Os modelos são baixados automaticamente da versão mais recente do YOLOv5.

 importar tocha# Modelmodel = torch.hub.load("ultralytics/yolov5", "yolov5s") # ou yolov5n - yolov5x6, custom# Imagesimg = "https://ultralytics.com/images/zidane.jpg" # ou arquivo, Caminho, PIL, OpenCV, numpy, lista# Inferenceresults = model(img)# Resultsresults.print() # ou .show(), .save(), .crop(), .pandas(), etc.

Inferência com detect.py

detect.py executa inferência em uma variedade de fontes, baixando modelos automaticamente da versão mais recente do YOLOv5 e salvando os resultados em runs/detect .

 python detect.py --weights yolov5s.pt --source 0 # webcam
                                               img.jpg #imagem
                                               vid.mp4 # vídeo
                                               tela # captura de tela
                                               caminho/# diretório
                                               list.txt # lista de imagens
                                               list.streams # lista de streams 'path/*.jpg' # glob 'https://youtu.be/LNwODJXcvt4' # YouTube 'rtsp://example.com/media.mp4' # RTSP, RTMP, fluxo HTTP

Treinamento

Os comandos abaixo reproduzem os resultados do YOLOv5 COCO. Modelos e conjuntos de dados são baixados automaticamente da versão mais recente do YOLOv5. Os tempos de treinamento para YOLOv5n/s/m/l/x são 1/2/4/6/8 dias em uma GPU V100 (Multi-GPU vezes mais rápido). Use o maior --batch-size possível ou passe --batch-size -1 para YOLOv5 AutoBatch. Tamanhos de lote mostrados para V100-16GB.

 python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5n.yaml --batch-size 128
                                                                 Yolov5s 64
                                                                 Yolov5m 40
                                                                 yolov5l 24
                                                                 yolov5x 16

Tutoriais

Treinar dados personalizados? RECOMENDADO
Dicas para melhores resultados de treinamento ☘️
Treinamento Multi-GPU
Hub PyTorch? NOVO
Exportação TFLite, ONNX, CoreML, TensorRT?
Implantação da plataforma NVIDIA Jetson? NOVO
Aumento do tempo de teste (TTA)
Conjunto de modelos
Poda/Disparidade do Modelo
Evolução do hiperparâmetro
Transferir aprendizagem com camadas congeladas
Resumo da arquitetura? NOVO
Ultralytics HUB para treinar e implantar YOLO? RECOMENDADO
Registro ClearML
YOLOv5 com Deepsparse do Neural Magic
Registro de cometa? NOVO

Integrações

Nossas principais integrações com as principais plataformas de IA ampliam a funcionalidade das ofertas da Ultralytics, aprimorando tarefas como rotulagem de conjuntos de dados, treinamento, visualização e gerenciamento de modelos. Descubra como o Ultralytics, em colaboração com W&B, Comet, Roboflow e OpenVINO, pode otimizar seu fluxo de trabalho de IA.

HUB ultralítico?	W&B	Cometa ⭐ NOVO	Magia Neural
Simplifique os fluxos de trabalho YOLO: rotule, treine e implante sem esforço com o Ultralytics HUB. Experimente agora!	Acompanhe experimentos, hiperparâmetros e resultados com pesos e preconceitos	Gratuito para sempre, o Comet permite salvar modelos YOLOv5, retomar o treinamento e visualizar e depurar previsões de forma interativa	Execute a inferência YOLO11 até 6x mais rápido com Neural Magic DeepSparse

HUB Ultralítico

Experimente IA perfeita com Ultralytics HUB ⭐, a solução completa para visualização de dados, YOLOv5 e YOLOv8 ? treinamento e implantação de modelo, sem qualquer codificação. Transforme imagens em insights acionáveis e dê vida às suas visões de IA com facilidade usando nossa plataforma de ponta e o aplicativo Ultralytics fácil de usar. Comece sua jornada gratuitamente agora!

Por que YOLOv5

O YOLOv5 foi projetado para ser super fácil de começar e simples de aprender. Priorizamos resultados do mundo real.

Figura YOLOv5-P5 640

Notas da Figura

COCO AP val denota a métrica mAP@0,5:0,95 medida no conjunto de dados COCO val2017 de 5.000 imagens em vários tamanhos de inferência de 256 a 1536.
A velocidade da GPU mede o tempo médio de inferência por imagem no conjunto de dados COCO val2017 usando uma instância AWS p3.2xlarge V100 em tamanho de lote 32.
Dados EfficientDet do google/automl no tamanho de lote 8.
Reproduzir por python val.py --task study --data coco.yaml --iou 0.7 --weights yolov5n6.pt yolov5s6.pt yolov5m6.pt yolov5l6.pt yolov5x6.pt

Pontos de verificação pré-treinados

Modelo	tamanho ^(pixels)	^valor mAP ^50-95	^valor mAP ⁵⁰	Velocidade ^{CPU b1 (EM)}	Velocidade ^{V100 b1 (EM)}	Velocidade ^{V100 b32 (EM)}	parâmetros ^(M)	FLOPs ^{@640 (B)}
YOLOv5n	640	28,0	45,7	45	6.3	0,6	1,9	4,5
YOLOv5s	640	37,4	56,8	98	6.4	0,9	7.2	16,5
YOLOv5m	640	45,4	64,1	224	8.2	1.7	21.2	49,0
YOLOv5l	640	49,0	67,3	430	10.1	2.7	46,5	109.1
YOLOv5x	640	50,7	68,9	766	12.1	4.8	86,7	205,7

YOLOv5n6	1280	36,0	54,4	153	8.1	2.1	3.2	4.6
YOLOv5s6	1280	44,8	63,7	385	8.2	3.6	12.6	16,8
YOLOv5m6	1280	51.3	69,3	887	11.1	6.8	35,7	50,0
YOLOv5l6	1280	53,7	71,3	1784	15,8	10,5	76,8	111,4
YOLOv5x6 + TT	1280 1536	55,0 55,8	72,7 72,7	3136 -	26.2 -	19.4 -	140,7 -	209,8 -

Notas de tabela

Todos os pontos de verificação são treinados para 300 épocas com configurações padrão. Os modelos Nano e Small usam hyp.scratch-low.yaml, todos os outros usam hyp.scratch-high.yaml.
Os valores mAP ^val são para escala única de modelo único no conjunto de dados COCO val2017.
Reproduzir por python val.py --data coco.yaml --img 640 --conf 0.001 --iou 0.65
Média de velocidade em imagens COCO val usando uma instância AWS p3.2xlarge. Tempos NMS (~1 ms/img) não incluídos.
Reproduzir por python val.py --data coco.yaml --img 640 --task speed --batch 1
O aumento do tempo de teste TTA inclui aumentos de reflexão e escala.
Reproduzir por python val.py --data coco.yaml --img 1536 --iou 0.7 --augment

Segmentação

Nossos novos modelos de segmentação de instância YOLOv5 versão v7.0 são os mais rápidos e precisos do mundo, superando todos os benchmarks SOTA atuais. Nós os tornamos super simples de treinar, validar e implantar. Veja todos os detalhes em nossas notas de versão e visite nosso YOLOv5 Segmentation Colab Notebook para tutoriais de início rápido.

Pontos de verificação de segmentação

Treinamos modelos de segmentação YOLOv5 em COCO por 300 épocas em tamanho de imagem 640 usando GPUs A100. Exportamos todos os modelos para ONNX FP32 para testes de velocidade de CPU e para TensorRT FP16 para testes de velocidade de GPU. Executamos todos os testes de velocidade em notebooks Google Colab Pro para facilitar a reprodutibilidade.

Modelo	tamanho ^(pixels)	^caixa mapa ^50-95	^máscara mAP ^50-95	Hora do trem ^{300 épocas A100 (horas)}	Velocidade ^{CPU ONNX (EM)}	Velocidade ^{TRT A100 (EM)}	parâmetros ^(M)	FLOPs ^{@640 (B)}
YOLOv5n-seg	640	27,6	23.4	80:17	62,7	1.2	2,0	7.1
YOLOv5s-seg	640	37,6	31,7	88:16	173,3	1.4	7.6	26,4
YOLOv5m-seg	640	45,0	37.1	108:36	427,0	2.2	22,0	70,8
YOLOv5l-seg	640	49,0	39,9	66:43 (2x)	857,4	2.9	47,9	147,7
YOLOv5x-seg	640	50,7	41,4	62:56 (3x)	1579.2	4,5	88,8	265,7

Todos os pontos de verificação são treinados para 300 épocas com otimizador SGD com lr0=0.01 e weight_decay=5e-5 no tamanho de imagem 640 e todas as configurações padrão.
Execuções registradas em https://wandb.ai/glenn-jocher/YOLOv5_v70_official
Os valores de precisão são para modelo único em escala única no conjunto de dados COCO.
Reproduzir por python segment/val.py --data coco.yaml --weights yolov5s-seg.pt
A velocidade média foi de mais de 100 imagens de inferência usando uma instância Colab Pro A100 High-RAM. Os valores indicam apenas a velocidade de inferência (NMS adiciona cerca de 1 ms por imagem).
Reproduzir por python segment/val.py --data coco.yaml --weights yolov5s-seg.pt --batch 1
Exporte para ONNX em FP32 e TensorRT em FP16 feito com export.py .
Reproduzir por python export.py --weights yolov5s-seg.pt --include engine --device 0 --half

Exemplos de uso de segmentação

Trem

O treinamento de segmentação YOLOv5 suporta download automático do conjunto de dados de segmentação COCO128-seg com o argumento --data coco128-seg.yaml e download manual do conjunto de dados de segmentos COCO com bash data/scripts/get_coco.sh --train --val --segments e então python train.py --data coco.yaml .

 # Segmento GPUpython único/train.py --data coco128-seg.yaml --weights yolov5s-seg.pt --img 640# Multi-GPU DDPpython -m torch.distributed.run --nproc_per_node 4 --master_port 1 segmento /train.py --data coco128-seg.yaml --weights yolov5s-seg.pt --img 640 --device 0,1,2,3

Val

Valide o mAP da máscara YOLOv5s-seg no conjunto de dados COCO:

 bash data/scripts/get_coco.sh --val --segments # download COCO val segments split (780MB, 5000 imagens)python segment/val.py --weights yolov5s-seg.pt --data coco.yaml --img 640 # validar

Prever

Use YOLOv5m-seg.pt pré-treinado para prever bus.jpg:

 python segmento/predict.py --weights yolov5m-seg.pt --source data/images/bus.jpg

 model = torch.hub.load( "ultralytics/yolov5", "custom", "yolov5m-seg.pt") # carregamento do PyTorch Hub (AVISO: inferência ainda não suportada)

Exportar

Exporte o modelo YOLOv5s-seg para ONNX e TensorRT:

 python export.py --weights yolov5s-seg.pt --include motor onnx --img 640 --device 0

Classificação

A versão YOLOv5 v6.2 traz suporte para treinamento, validação e implantação de modelo de classificação! Veja todos os detalhes em nossas Notas de Lançamento e visite nosso YOLOv5 Classification Colab Notebook para tutoriais de início rápido.

Pontos de verificação de classificação

Treinamos modelos de classificação YOLOv5-cls no ImageNet por 90 épocas usando uma instância 4xA100 e treinamos modelos ResNet e EfficientNet junto com as mesmas configurações de treinamento padrão para comparação. Exportamos todos os modelos para ONNX FP32 para testes de velocidade de CPU e para TensorRT FP16 para testes de velocidade de GPU. Executamos todos os testes de velocidade no Google Colab Pro para facilitar a reprodutibilidade.

Modelo	tamanho ^(pixels)	conta ^topo1	conta ^{cinco principais}	Treinamento ^{90 épocas 4xA100 (horas)}	Velocidade ^{CPU ONNX (EM)}	Velocidade ^{TensorRT V100 (EM)}	parâmetros ^(M)	FLOPs ^{@224 (B)}
YOLOv5n-cls	224	64,6	85,4	7:59	3.3	0,5	2,5	0,5
YOLOv5s-cls	224	71,5	90,2	8:09	6.6	0,6	5.4	1.4
YOLOv5m-cls	224	75,9	92,9	10:06	15,5	0,9	12,9	3.9
YOLOv5l-cls	224	78,0	94,0	11:56	26,9	1.4	26,5	8,5
YOLOv5x-cls	224	79,0	94,4	15:04	54,3	1,8	48,1	15,9

ResNet18	224	70,3	89,5	6:47	11.2	0,5	11.7	3.7
ResNet34	224	73,9	91,8	8:33	20.6	0,9	21.8	7.4
ResNet50	224	76,8	93,4	11:10	23.4	1,0	25,6	8,5
ResNet101	224	78,5	94,3	17:10	42.1	1,9	44,5	15,9

EficienteNet_b0	224	75,1	92,4	13:03	12,5	1.3	5.3	1,0
EficienteNet_b1	224	76,4	93,2	17:04	14,9	1.6	7,8	1,5
EficienteNet_b2	224	76,6	93,4	17:10	15,9	1.6	9.1	1.7
EficienteNet_b3	224	77,7	94,0	19:19	18,9	1,9	12.2	2.4

Notas da tabela (clique para expandir)

Todos os pontos de verificação são treinados para 90 épocas com otimizador SGD com lr0=0.001 e weight_decay=5e-5 no tamanho de imagem 224 e todas as configurações padrão.
Execuções registradas em https://wandb.ai/glenn-jocher/YOLOv5-Classifier-v6-2
Os valores de precisão são para modelo único em escala única no conjunto de dados ImageNet-1k.
Reproduzir por python classify/val.py --data ../datasets/imagenet --img 224
A velocidade média foi de mais de 100 imagens de inferência usando uma instância Google Colab Pro V100 High-RAM.
Reproduzir por python classify/val.py --data ../datasets/imagenet --img 224 --batch 1
Exporte para ONNX em FP32 e TensorRT em FP16 feito com export.py .
Reproduzir por python export.py --weights yolov5s-cls.pt --include engine onnx --imgsz 224

Exemplos de uso de classificação

Trem

O treinamento de classificação YOLOv5 suporta download automático de conjuntos de dados MNIST, Fashion-MNIST, CIFAR10, CIFAR100, Imagenette, Imagewoof e ImageNet com o argumento --data . Para iniciar o treinamento no MNIST, por exemplo, use --data mnist .

 # Single-GPUpython classify/train.py --model yolov5s-cls.pt --data cifar100 --epochs 5 --img 224 --batch 128# Multi-GPU DDPpython -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

Val

Valide a precisão do YOLOv5m-cls no conjunto de dados ImageNet-1k:

 bash data/scripts/get_imagenet.sh --val # download ImageNet val split (6.3G, 50000 imagens)python classify/val.py --weights yolov5m-cls.pt --data ../datasets/imagenet --img 224 # validar

Prever

Use YOLOv5s-cls.pt pré-treinado para prever bus.jpg:

 python classify/predict.py --weights yolov5s-cls.pt --source data/images/bus.jpg

 model = torch.hub.load("ultralytics/yolov5", "custom", "yolov5s-cls.pt") # carregamento do PyTorch Hub

Exportar

Exporte um grupo de modelos treinados YOLOv5s-cls, ResNet e EfficientNet para ONNX e TensorRT:

 python export.py --weights yolov5s-cls.pt resnet50.pt eficientenet_b0.pt --incluir motor onnx --img 224

Ambientes

Comece em segundos com nossos ambientes verificados. Clique em cada ícone abaixo para obter detalhes.

Contribuir

Adoramos sua contribuição! Queremos tornar a contribuição para o YOLOv5 o mais fácil e transparente possível. Consulte nosso Guia de Contribuição para começar e preencha a Pesquisa YOLOv5 para nos enviar feedback sobre suas experiências. Obrigado a todos os nossos colaboradores!

Licença

Ultralytics oferece duas opções de licenciamento para acomodar diversos casos de uso:

Licença AGPL-3.0 : Esta licença de código aberto aprovada pela OSI é ideal para estudantes e entusiastas, promovendo colaboração aberta e compartilhamento de conhecimento. Consulte o arquivo LICENSE para obter mais detalhes.
Licença Empresarial : Projetada para uso comercial, esta licença permite a integração perfeita do software Ultralytics e modelos de IA em bens e serviços comerciais, ignorando os requisitos de código aberto do AGPL-3.0. Se o seu cenário envolve a incorporação de nossas soluções em uma oferta comercial, entre em contato por meio do Licenciamento Ultralytics.