YOLOv4发布不到50天！YOLOv5它来了！

YOLOv4还没有退热，YOLOv5已经发布！

6月9日,Ultralytics公司推出了一个新的目标检测模型——YOLOv5,仅相隔四个月左右就发布了这一版本。
尽管我们对YOLOv4的各种创新操作和详尽实验对比仍感到惊叹不已,在此之后,YOLOv5再次展现了其在实时目标检测方面的强大性能。

按照官方数据统计，在单个图像上的推理速度方面表现最为突出的是官方发布的YOLOv5模型系列，在实际应用中其推理速度为每秒最少耗时仅为0.007秒即等效于每分钟能够处理高达8400帧视频流（FPS值），这一性能显著优于其上一代产品的表现其核心优势体现在模型参数规模上YOLOv5系列模型的参数量仅为官方发布的YOLOv4模型参数量的约11.1%

接下来一起了解一下最新的YOLOv5吧。

更快更小巧的YOLOv5

老规矩，先来介绍一下安装过程。

安装YOLOv5通过下方代码实现：

    $ pip install -U -r requirements.txt

要求Python3.7以上版本，PyTorch1.5以上。

YOLOv5的4组不同权重在COCO2017数据集上的结果如下：

全部采用了基于预设参数设置和优化参数进行的 300 个 epoch 的训练，并未引入自动生成数据的技术。

可以看到，它超过了大部分的目标检测器，同时具有超快的速度。

APtest基于COCO-test-dev2017的结果，其他AP用来表示val2017的精度。所有指标均基于单模型和单尺度设计，并未包含任何集成或TTA。可通过以下命令复现实验结果：

    python test.py —img-size 736 —conf_thres 0.001

该延迟值基于V100 GPU对COCO-val2017数据集中的5000个样本进行测试得出的结果，并涵盖了数据预处理、模型推理、后处理以及NMS等多个环节。其中平均每个图像经过NMS处理所需的时间为1.6毫秒。

上述指标可以通过如下命令复现：

    python test.py —img-size 640 —conf_thres 0.1 —batch-size 16

基于一台V-100 GPU环境下的测试结果表明，在COCO 2017数据集上运行YOLOv5所需的时间为：（不同权重配置下的YOLOv5模型性能对比）

YOLOv5 s 2天

YOLOv5 m 4天

YOLOv5 l 6天

YOLOv5 x 8天

可以通过以下代码开始训练：

    $ python train.py —data coco.yaml —cfg YOLOv5s.yaml —weights ‘’ —batch-size 16

OLOv5在中国国内街景监控上的实测，包含了YOLOv5 s/m/l/x四种不同权重：

△测试视频源自B站@小萌新 用户提供的测试实例未包含与前代YOLOv4系统的对比分析, 但官方提供了相关数据支持.

YOLOv5相较于上一代模型表现出色

同时，在基于研究者在BCCD数据集上的测试中，通过持续训练100个epoch后，则该模型达到了约[公式]（mAP）的平均精度值，并与其所处的竞争算法_efficientdet_和_yolov4_相媲美

YOLO v6占据的空间较小。
在这一架构下,YOLov6 s模型仅占据27MB内存空间。
YOLov6基于Darknet架构设计,在此架构下其权重大小达到了243MB。
相比之下,YOLo v6较Yolov6减少了约89%的参数规模。
这表明Yolov6不仅参数量缩减显著(约89%),而且其部署至嵌入式设备更加便捷。

此外, 由于YOLOv5是在PyTorch中实现的, 因此它得益于现有的PyT torch生态系统; YOLOv5还可以同时也能编译为ONNX和CoreML, 这样一来, 将其部署到移动设备变得更加便捷.

大神没交棒，但YOLOv5还是来了

从技术角度来看

所以也有网友叫它YOLOv4.5。

在发布前，在官方平台尚未添加YOLOv5链接。由此可见，“YOLOv5”的名称是由Ultralytics团队私自定名为此。

Ultralytics公司可能不太为人所熟知，但一提及其项目的某个方面就有很多人对此印象深刻：基于PyTorch实现了YOLOv3 的一个变体。从当前GitHub上的星数显示来看，则是该版本最为受欢迎的PyTorch实现之一。

值得注意的是，在Ultralytics公司工作的Glenn Jocher是一位mosaic数据增强方法的开发者。这一技术源自改进后的YOLOv4模型中。

值得注意的是，在Ultralytics公司工作的Glenn Jocher是一位mosaic数据增强方法的开发者。这一技术源自改进后的YOLOv4模型中。

Glenn Jocher就是这次YOLOv5项目的主要开发者。

虽然官方尚未正式认可项目命名为"YOLOv5"这个名称,但它带来的性能改善和提升却是十分显著的.网友们也为项目的开源精神表达了赞赏之情.期待该项目能够持续更新迭代,并为更多YOLO用户带来更多便利.

详细可以参考：

https://github.com/ultralytics/YOLOv5