YOLOv5來了！YOLOv4發(fā)布不到50天，它帶著推理速度140幀/秒來了
賈浩楠 發(fā)自 凹非寺
量子位 報道 | 公眾號 QbitAI
YOLOv4還沒有退熱，YOLOv5已經(jīng)發(fā)布！
6月9日，Ultralytics公司開源了YOLOv5，離上一次YOLOv4發(fā)布不到50天。而且這一次的YOLOv5是完全基于PyTorch實現(xiàn)的！
在我們還對YOLOv4的各種騷操作、豐富的實驗對比驚嘆不已時，YOLOv5又帶來了更強實時目標檢測技術(shù)。
按照官方給出的數(shù)目，現(xiàn)版本的YOLOv5每個圖像的推理時間最快0.007秒，即每秒140幀（FPS），但YOLOv5的權(quán)重文件大小只有YOLOv4的1/9。
接下來一起了解一下最新的YOLOv5吧。
更快更小巧的YOLOv5
老規(guī)矩，先來介紹一下安裝過程。
安裝YOLOv5通過下方代碼實現(xiàn)：
$ pip install -U -r requirements.txt要求Python3.7以上版本，PyTorch1.5以上。
YOLOv5的4組不同權(quán)重在COCO2017數(shù)據(jù)集上的結(jié)果如下：
所有模型均采用默認配置與超參數(shù)訓練了300epoch，且未添加自動擴增技術(shù)。
可以看到，它超過了大部分的目標檢測器，同時具有超快的速度。
APtest指的是COCO-test-dev2017上的結(jié)果，其他AP表示val2017的精度。所有指標均為單模型、單尺度、為進行任何集成與TTA?？梢酝ㄟ^如下命令進行重現(xiàn)上述指標：
python test.py —img-size 736 —conf_thres 0.001延遲是在V100 GPU上對5000個COCO-val2017中的數(shù)據(jù)進行測試的結(jié)果，包含數(shù)據(jù)預處理、模型推理、后處理以及NMS。平均NMS的時間為1.6ms/image。
上述指標可以通過如下命令復現(xiàn)：
python test.py —img-size 640 —conf_thres 0.1 —batch-size 16YOLOv5在單一V-100 GPU的情況下，COCO 2017數(shù)據(jù)集上的訓練時間分別為：
可以通過以下代碼開始訓練：
$ python train.py —data coco.yaml —cfg YOLOv5s.yaml —weights ‘’ —batch-size 16△不同權(quán)重YOLOv5的對比
YOLOv5在中國國內(nèi)街景監(jiān)控上的實測，包含了YOLOv5 s/m/l/x四種不同權(quán)重：
△測試視頻來自B站@才疏學淺的小白
用戶的測試實例并沒有給出與前代YOLOv4的對比，但官方給出了數(shù)據(jù)說明。
YOLOv5速度比前代更快，在運行Tesla P100的YOLOv5 Colab筆記本中，每個圖像的推理時間快至0.007秒，意味著每秒140幀（FPS）！相比之下，YOLOv4在轉(zhuǎn)換為相同的Ultralytics PyTorch后達到了50幀 。
同時，在研究者對血細胞計數(shù)和檢測(BCCD)數(shù)據(jù)集的測試中，經(jīng)過100個epoch的訓練，獲得了大約0.895的平均精度(mAP)，與EfficientDet和YOLOv4相當。
YOLOv5體積小，YOLOv5 s的權(quán)重文件為27MB。YOLOv4（Darknet架構(gòu)）的權(quán)重文件為244MB。YOLOv5比YOLOv4小近90％。這意味著YOLOv5可以更輕松地部署到嵌入式設(shè)備。
此外，因為YOLOv5是在PyTorch中實現(xiàn)的，所以它受益于已建立的PyTorch生態(tài)系統(tǒng)；YOLOv5還可以輕松地編譯為ONNX和CoreML，因此這也使得部署到移動設(shè)備的過程更加簡單。
大神沒交棒，但YOLOv5還是來了
嚴格來講，這次Ultralytics放出的YOLOv5，是YOLOv4的一個實現(xiàn)版本（性能有改進），只不過是完全用Pyotorch實現(xiàn)了。并且支持轉(zhuǎn)ONNX以及CoreML等，方便用戶在移動端部署。
所以也有網(wǎng)友叫它YOLOv4.5。
截止發(fā)稿，原YOLO項目官方（Darknet）也沒有添加YOLOv5鏈接，所以，這個「YOLOv5」的名號，是Ultralytics團隊自封的。
Ultralytics公司可能大家不熟悉，但提到他們公司的一個項目，很多人應該就知道了：基于PyTorch復現(xiàn)的YOLOv3。按目前github上star數(shù)來看，應該是最受歡迎的YOLOv3的PyTorch實現(xiàn)版本。
值得一提的是，Ultralytics公司的Glenn Jocher是mosaic數(shù)據(jù)增強方法的創(chuàng)建者，這種方法是改進后的YOLOv4中的重要技術(shù)。
Glenn Jocher就是這次YOLOv5項目的主要開發(fā)者。
盡管官方還沒認可項目命名為”YOLOv5”這個名字，但它對上一版本性能的改善和提升十分顯著，網(wǎng)友也對其開源的精神紛紛點贊，希望項目繼續(xù)更新，造福更多的YOLO用戶。
傳送門
https://github.com/ultralytics/YOLOv5
- 具身智能洶涌，激光雷達爆單：頭部玩家600%年增長，出貨超20萬臺2025-08-08
- 智能座艙率先L3！AI Agent上車顛覆體驗，千里科技WAIC交卷2025-07-28
- 千里科技聯(lián)手階躍星辰、吉利發(fā)布下一代智能座艙Agent OS2025-07-26
- 老黃剛走，全球最強算力Robotaxi方案落地中國2025-07-24
相關(guān)閱讀
精度45.9%，推理速度72.9FPS，百度飛槳推出工業(yè)級目標檢測模型 PP-YOLO
飛槳目標檢測套件PaddleDetection的研發(fā)團隊也為了讓YOLOv3模型在工業(yè)實際應用場景擁有更優(yōu)異的精度與推理速度，以盡量不增加模型計算量和推理開銷為前提，探索出了一整套更深度的算法優(yōu)化秘籍，將原先YOLOv3模型的精度（在COCO test-dev2017數(shù)據(jù)集）從33.0%提升了12.9個絕對百分點，達到45.9%，處于業(yè)界領(lǐng)先行列！而在該精度下，其推理速度在V100上達到了72.9 FPS。
