YOLOv5 目标检测框架
Ultralytics 基于 PyTorch 打造的目标检测、实例分割与图像分类框架，以速度快、精度高、易上手著称，支持训练、推理与多格式模型导出，是视觉 AI 落地最常用的基线之一。
爱鲜报评分
0 人评分
58k
星数
是
中文
Python
主语言
是
活跃
352
贡献者
人工分析
EDITORIAL推荐理由
YOLOv5 是工业界验证充分、社区极其活跃的视觉基线模型，5.8 万 Star 与完善文档意味着遇到问题基本都能找到答案。它把训练、验证、推理、导出串成一条命令即可跑通的流水线，非常适合快速验证想法或搭建生产原型。虽然官方已推荐新项目转向 ultralytics 包，但 YOLOv5 仍是学习目标检测与工程化部署的经典入口。
适用场景
- 目标检测任务快速原型验证
- 自定义数据集训练与微调
- 实例分割与图像分类
- 模型导出到 ONNX/TensorRT/TFLite/CoreML 等部署端
- 边缘设备与嵌入式视觉推理
- 教学与计算机视觉入门实践
优点
- 生态成熟，文档、教程与社区问答极其丰富
- 训练、推理、验证、导出流程统一，命令式上手成本低
- 提供 n/s/m/l/x 多档模型，兼顾速度与精度
- 支持 ONNX、TensorRT、TFLite、CoreML 等多种导出格式
- 官方提供中文文档与 B 站等中文渠道，对中文用户友好
缺点
- 官方已将重心转向 ultralytics 新包，YOLOv5 处于维护状态
- 采用 AGPL-3.0 协议，商业闭源使用需考虑授权
- 训练依赖 PyTorch 与 GPU 环境，环境配置有一定门槛
- 模型结构相对较旧，新任务（姿态、OBB）需转向新版本
YOLOv5 是什么
YOLOv5 是 Ultralytics 基于 PyTorch 开发的目标检测框架，同时支持实例分割与图像分类。它以「快、准、易用」为核心设计目标，把数据准备、训练、验证、推理和模型导出整合成一套统一的工作流，是计算机视觉领域使用最广泛的基线项目之一。
提示：官方目前推荐新项目使用
ultralytics包获取最新 YOLO 模型；YOLOv5 依然是成熟稳定的生产级选择。
核心能力
- 目标检测：输出图像中物体的类别与边界框
- 实例分割：在检测基础上给出像素级掩码
- 图像分类：整图类别预测
- 模型导出：支持 ONNX、TensorRT、TFLite、CoreML 等部署格式
- 多档模型：
yolov5n/yolov5s/yolov5m/yolov5l/yolov5x，按算力与精度取舍
快速上手
在 Python>=3.8、PyTorch>=1.8 的环境中克隆仓库并安装依赖：
git clone https://github.com/ultralytics/yolov5
cd yolov5
pip install -r requirements.txt
通过 PyTorch Hub 直接加载预训练模型做推理：
import torch
model = torch.hub.load("ultralytics/yolov5", "yolov5s")
results = model("https://ultralytics.com/images/zidane.jpg")
results.print()
训练与导出
仓库提供脚本化的训练与导出入口，通常只需准备 YOLO 格式数据集并指定配置文件即可开始训练；训练完成后可将权重导出为 ONNX、TensorRT 等格式，便于在服务端或边缘设备部署。具体参数与目录结构请以官方文档为准。
适用与注意
- 适合快速验证检测/分割想法、搭建生产原型、做课程与实验项目
- 项目采用 AGPL-3.0 协议，商业闭源集成前需评估授权方式
- 若需要姿态估计、旋转框检测等新任务，建议关注官方新一代
ultralytics包
学习资源
官方提供多语言文档（含中文），并配有 Colab、Kaggle 等在线 Notebook，可直接在云端跑通完整流程，降低本地环境配置成本。
评论
- 暂无评论，来写第一条吧。