yolov5

用 PyTorch 快速训练和部署目标检测模型，开箱即用。

YOLOv5 是 Ultralytics 团队开发的基于 PyTorch 的目标检测框架，是目前计算机视觉领域最流行的开源项目之一。它解决了实时目标检测、实例分割、图像分类等核心视觉任务，提供从数据准备、模型训练、推理到模型导出的一站式解决方案。YOLOv5 的核心能力包括：支持多种模型尺寸（n/s/m/l/x）以平衡速度与精度，提供简洁的 Python API 和命令行工具，内置丰富的数据增强和训练技巧，可导出为 ONNX、TensorRT、CoreML 等多种格式，便于部署到移动端或边缘设备。项目代码结构清晰，文档完善，社区活跃，适合学术研究、工业落地和教学实践。

开源 free 计算机视觉

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 58066

维护状态活跃

是否开源是

定价模式 free

项目数据

分类计算机视觉

开发团队ultralytics

所属国家

官网地址https://docs.ultralytics.com/yolov5

GitHubhttps://github.com/ultralytics/yolov5

定价模式free

价格说明开源项目，AGPL-3.0许可，可免费使用和部署，无付费版本。

访问状态

是否开源是

开源协议AGPL-3.0

主要语言Python

技术栈/模型computer-vision,coreml,deep-learning,image-classification,inference,instance-segmentation,model-export,model-training,object-detection,onnx,pytorch,tensorrt,tflite,ultralytics,yolo,yolov5

GitHub 星标★ 58066

30天Star增速

HF 下载量

上线时间2020-05-18 00:00:00

最近更新2026-09-22 00:00:00

维护状态活跃

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-10

浏览次数5

使用教程

难度：入门约 10 分钟部署方式：本地安装 7 步

环境要求

已安装 Python 并配置好 pip，可执行 python / pip 命令
网络可访问 GitHub 与 PyPI，以便克隆仓库、下载依赖和模型权重
进行训练时建议使用 NVIDIA 显卡，README 以单卡 V100 作为训练参考

安装与启动步骤

1克隆项目仓库

把 YOLOv5 源码下载到本地，后续命令都在仓库根目录下执行。
```
git clone https://github.com/ultralytics/yolov5
cd yolov5
```
2安装项目依赖

在仓库根目录安装 requirements.txt 中列出的依赖（含 PyTorch），建议先建虚拟环境。
```
pip install -r requirements.txt
```
3单张图片推理

用默认的 yolov5s.pt 权重做检测，模型会自动从最新 release 下载，可先换成自己的图片路径。
```
python detect.py --weights yolov5s.pt --source data/images/bus.jpg
```
4摄像头与视频推理

--source 传 0 表示调用本机摄像头，也可直接传本地视频文件名。
```
python detect.py --weights yolov5s.pt --source 0
python detect.py --weights yolov5s.pt --source vid.mp4
```

5批量与网络流推理

--source 支持目录、glob、txt 列表、YouTube 链接以及 RTSP/RTMP/HTTP 流地址。

python detect.py --weights yolov5s.pt --source path/to/images/
python detect.py --weights yolov5s.pt --source 'path/to/*.jpg'
python detect.py --weights yolov5s.pt --source 'rtsp://example.com/media.mp4'

6分割与分类推理

仓库同时提供实例分割与图像分类脚本，需使用对应的 -seg / -cls 权重。

python segment/predict.py --weights yolov5m-seg.pt --source data/images/bus.jpg
python classify/predict.py --weights yolov5s-cls.pt --source data/images/bus.jpg

7安装ultralytics包

README 也提供新版 Ultralytics YOLO 包，如只想调用接口可单独安装，二选一即可。
```
pip install ultralytics
```

关键配置

配置项	必填	说明	示例
`--weights`	是	指定模型权重文件，不存在时自动下载	`yolov5s.pt`
`--source`	是	输入来源：图片、视频、目录、URL 或摄像头编号	`data/images/bus.jpg`
`--batch-size`	否	训练批大小，填 -1 启用自动批处理	`-1`

如何确认成功

执行 detect.py 后终端不再报错并输出检测结果，说明依赖安装成功、模型可正常推理。

常见问题

Q：模型权重和数据集要手动下载吗？

A：不需要。README 说明模型和数据集会自动从最新的 YOLOv5 release 下载，首次运行联网即可。

Q：训练一次大概需要多久？

A：README 给出的参考是单张 NVIDIA V100 上，YOLOv5n/s/m/l/x 分别约需 1/2/4/6/8 天，多卡训练可明显缩短。

Q：显存不够怎么办？

A：README 建议使用硬件允许的最大 --batch-size，也可以使用 --batch-size -1 启用 AutoBatch 自动调整。

Q：detect.py 的 --source 能传什么？

A：图片、视频、图片目录、glob 通配符、路径列表 txt、YouTube 链接，以及 RTSP/RTMP/HTTP 流均可。

Q：pip install ultralytics 和本仓库什么关系？

A：README 中该命令用于安装最新版 Ultralytics YOLO 包；使用本仓库的 detect.py 等脚本时只需安装 requirements.txt。

注意事项

所有推理/训练命令都必须在克隆下来的 yolov5 仓库根目录执行。
首次运行会自动下载权重，请保持网络畅通并预留磁盘空间。
README 也介绍了通过 PyTorch Hub 调用模型的方式，可参考官方文档链接。

核心亮点

推理速度快，支持从 nano 到 x 多种模型尺寸，灵活适配不同硬件
训练流程极简，一行命令即可启动训练，内置数据增强和超参数调优
导出格式丰富（ONNX/TensorRT/CoreML），方便部署到移动端和边缘设备

不足之处

官方维护重心已转向 YOLOv8，YOLOv5 更新频率降低
部分高级功能依赖 Ultralytics HUB 或企业版，社区版功能受限

适用场景

工业质检中实时检测产品缺陷
安防监控中行人或车辆检测
自动驾驶场景下的道路目标识别

替代项目

YOLOv8、YOLOX、MMDetection

项目介绍

yolov5 是计算机视觉领域的开源项目，由 ultralytics 开发，2020 年首次发布。

在全站 13,090 个收录项目中，它的 GitHub 星标数（58,066）位列前 1%，在计算机视觉分类的 447 个项目里位列前 1%。

近 42 天，它的 GitHub 星标从 57,857 增加到 58,066，净增 209。

项目目前处于活跃维护状态，最近一次代码更新于 2026-09-22。AGPL-3.0许可，可免费使用和部署，无付费版本。

它主要面向的使用场景是：工业质检中实时检测产品缺陷。同类可对比的替代方案包括 YOLOv8、YOLOX、MMDetection。

上一篇：onepanel

下一篇：yolov3