简介¶

要想现在就开始，请查看快速入门指南。

YOLO 是什么¶

YOLO 是 “你只看一次”（You only look once）的首字母缩写，是一种目标检测算法，它将图像划分为一个网格系统。网格中的每个单元负责检测其内部的物体。

由于其速度和准确率（accuracy），YOLO 是最著名的目标检测算法之一。

YOLO 历史¶

YOLOv5¶

在 YOLOv4 发布后不久，Glenn Jocher 引入使用 Pytorch 框架的 YOLOv5。

作者：Glenn Jocher
发表：18 May 2020

YOLOv4¶

随着原作者对 YOLO 的工作陷入停顿，YOLOv4 由 Alexey Bochoknovskiy、Chien-Yao Wang 和 Hong-Yuan Mark Liao 发布。

这篇论文的题目是 YOLOv4：目标检测的最佳速度和准确度

作者：Alexey Bochoknovskiy, Chien-Yao Wang 和Hong-Yuan Mark Liao
发表： 23 April 2020

YOLOv3¶

YOLOv3 在 YOLOv2 的基础上进行了改进，原作者 Joseph Redmon 和 Ali Farhadi 都有贡献。他们一起发表了 YOLOv3: An Incremental Improvement

作者：Joseph Redmon 和 Ali Farhadi
发表： 8 Apr 2018

YOLOv2¶

YOLOv2 是由 YOLO 的原作者 Joseph Redmon 和 Ali Farhadi 共同完成的。他们一起出版了 YOLO9000：更好、更快、更强

作者：Joseph Redmon 和 Ali Farhadi
发表： 25 Dec 2016

YOLOv1¶

YOLOv1 是由 Joseph Redmon 作为研究论文发布的。该论文的标题是 You Only Look Once: Unified, Real-Time Object Detection

作者：Joseph Redmon
发表： 8 Jun 2015

参考：YOLOv5 | PyTorch

模型描述¶

YOLOv5 模型比较

YOLOv5🚀 是在 COCO 数据集上训练的复合尺度目标检测模型系列，包括测试时间增强（Test Time Augmentation，简称 TTA）、模型集成、超参数演化以及导出到 ONNX、CoreML 和 TFLite 的简单功能。

Model	size ^(pixels)	mAP^{val 0.5:0.95}	mAP^{test 0.5:0.95}	mAP^{val 0.5}	Speed ^{V100 (ms)}	params ^(M)	FLOPS ^{640 (B)}
YOLOv5s6	1280	43.3	43.3	61.9	4.3	12.7	17.4
YOLOv5m6	1280	50.5	50.5	68.7	8.4	35.9	52.4
YOLOv5l6	1280	53.4	53.4	71.1	12.3	77.2	117.7
YOLOv5x6	1280	54.4	54.4	72.0	22.4	141.8	222.9
YOLOv5x6 TTA	1280	55.0	55.0	72.0	70.8

表格描述

AP^test 表示 COCO test-dev2017 的结果，所有其他 AP 结果表示 val2017 的 accuracy。
除非另有说明，AP 值是单模型单尺度的。通过 python test.py --data coco.yaml --img 640 --conf 0.001 --iou 0.65 重现 mAP。
Speed_GPU 使用 GCP n1-standard-16 V100 实例对 5000 多张 COCO val2017 图像进行了平均，并包括 FP16 推理、后处理和 NMS。通过 python test.py --data coco.yaml --img 640 --conf 0.25 --iou 0.45 重现。
所有检查点（checkpoints）都以默认设置和超参数（没有自动增强）训练到 300 个 epochs。
测试时间增强（TTA）包括反射（reflection）和尺度增强（scale augmentation）。通过 python test.py --data coco.yaml --img 1536 --iou 0.7 --augment 重现 TTA。

训练¶

运行下面的命令在 COCO 数据集上重现结果（数据集第一次使用时自动下载）。在单个 V100 上，YOLOv5s/m/l/x 的训练时间是2/4/6/8天（多 gpu 更快）。使用 GPU 允许的最大批处理大小（16GB 设备的批处理大小）。

python train.py --data coco.yaml --cfg yolov5s.yaml --weights '' --batch-size 64
                                         yolov5m                                40
                                         yolov5l                                24
                                         yolov5x                                16

有关训练、测试和部署的完整文档，请参见 YOLOv5 文档。

简介

内容

简介¶