ultralytics GitHub avatar

yolov5

Python
目标检测与分割工具ultralytics最近推送 2026年11月17日
图像视频AGPL-3.058.3k17.4k24 issues7 天 +28

AI 分析 · 由大模型根据 README 与仓库数据生成 · 2026年10月24日

基于 PyTorch 的目标检测、分割和分类模型工具。

YOLOv5 是 Ultralytics 开发的计算机视觉项目,支持目标检测、实例分割和图像分类。它提供训练、推理和模型导出能力,可用于多种部署环境。

推荐指数

5.0

成熟度高、资料丰富,适合快速开展视觉模型训练和部署。

近 7 天

+28

新增 Star

总 Star 排名

#91

雷达追踪的 3,958 个 AI 仓库中

创建于

2020

2020年5月18日

核心亮点

  • 1任务覆盖广

    同时支持目标检测、实例分割和图像分类。

  • 2PyTorch 实现

    基于 PyTorch,便于使用 Python 进行训练和推理。

  • 3支持模型导出

    项目主题列出了 ONNX、CoreML、TFLite 和 TensorRT 等导出方向。

  • 4资料渠道多

    提供文档、Colab、Kaggle、Docker 和社区支持入口。

  • 5社区规模大

    拥有超过 5.8 万个 Star 和超过 1.7 万个 Fork。

适用场景

  • 图片目标检测

    例如:训练模型识别监控图片中的车辆和人员。

  • 实例分割

    例如:对图片中的不同物体分别生成像素级轮廓。

  • 图像分类

    例如:训练模型判断一张图片属于预设的某个类别。

  • 模型部署

    例如:将训练好的模型导出为 ONNX 或 TensorRT 格式用于部署。

它是怎么工作的

  1. 第 1 步

    准备数据

    整理用于检测、分割或分类的数据集,并按项目文档配置。

  2. 第 2 步

    加载模型

    选择 YOLOv5 模型配置或已有权重作为训练、测试或推理基础。

  3. 第 3 步

    训练与评估

    使用 PyTorch 训练模型,并通过测试流程评估效果。

  4. 第 4 步

    推理或导出

    将模型用于图片推理,或导出到其他运行时和部署格式。

快速上手

  1. 1

    安装依赖

    README 提供了安装 Ultralytics 最新模型包的命令。

    pip install ultralytics
  2. 2

    获取项目

    README 说明需要先克隆仓库并安装依赖,但给出的内容未提供完整命令。

  3. 3

    查看文档

    根据 YOLOv5 文档了解训练、测试和部署流程。

  4. 4

    使用在线环境

    README 提供了 Colab、Kaggle 和 Docker 入口,可减少本地环境配置。

适合谁

  • 需要快速搭建视觉检测原型的 Python 开发者
  • 需要训练目标检测、分割或分类模型的算法工程师
  • 需要导出模型到不同部署格式的工程团队
  • 希望通过 Colab 或 Kaggle 试用视觉模型的学习者

不太适合

  • 只需要传统图像处理、不使用深度学习的项目
  • 希望直接使用最新 Ultralytics 架构和统一接口的项目

成熟度

  • 活跃度项目最后更新时间为 2026-10-21,README 仍提供持续维护的文档和生态入口。
  • 文档README 链接到完整文档,并提供多语言文档、教程和在线运行入口。
  • 社区拥有 58187 个 Star、17457 个 Fork,并接入 Discord、论坛和 Reddit 社区。
  • 上手难度README 强调易用性,并提供 Colab、Kaggle 和 Docker 入口,但完整安装步骤未在给出内容中展开。

同类项目怎么选

  • ultralyticsREADME 建议该项目用于最新 Ultralytics YOLO 模型,并提供更统一的 Python 与 CLI 接口。

使用前注意

  • · 项目采用 AGPL-3.0 许可证,商用或闭源集成前应评估许可证要求。
  • · 训练和推理通常需要准备标注数据及合适的计算资源,README 片段未给出具体硬件要求。
  • · README 将最新模型和统一接口引导至 ultralytics 包,使用 YOLOv5 前应确认版本和功能需求。
  • · 模型导出到 ONNX、CoreML、TFLite 或 TensorRT 时,需要结合目标运行环境单独验证兼容性。

主题标签

yolov5object-detectionpytorchonnxcoremltfliteyolodeep-learningultralyticscomputer-visionimage-classificationinferenceinstance-segmentationmodel-exportmodel-trainingtensorrt