來了，來了，YOLOv5來了！

Ultralytics正式更新了YOLOv5，已經登頂GitHub飆升榜首席。

它運行推理的速度極快，權重可以導出到移動端，并且在COCO上達到了最先進的水平。

 YOLOv5項目由Ultralytics創建并維護。這是一家Ultralytics總部位于美國的粒子物理和人工智能初創公司，為政府、學術和商業客戶提供支持。在粒子物理學、數據科學和人工智能領域率先提出了多項美國情報界（IC）和國防部（DoD）的倡議，并與多所大學、國家實驗室和私營公司合作開展了多項工作。      

你肯定也注意到了iOS這個關鍵詞。他們確實做了一個iOS app，還特意做了一張海報，簡直讓人印象深刻，大家來感受一下：

 要不是左下角的「App Store認證標志」，我還以為是某手機的廣告呢。畢竟現在的手機都長得像iPhone，電腦都長得像Mac。

YOLO模型的演變

 實時目標檢測的改進速度很快。改進的速度更是迅速。結果也是驚人的。

 3月18日，谷歌開源了EfficientDet的實現，這是一個具有不同大小的快速訓練模型，其中一個模型提供實時輸出。

 4月23日，Alexey Bochoviskiy等人開源了YOLOv4。

 6月9日，Glenn Jocher開源了YOLOv5的PyTorch實現。

 YOLO(You Only Look Once)是PJ Reddie最初以2016年的一篇文章創造的一個模型家族。YOLO一出生便技驚四座。人們簡直不敢相信小小體積的YOLO竟然能表現出如此超高的性能！簡直就是實時條件和設備上部署環境的理想候選人。

 PJ Reddie的研究團隊負責隨后推出了YOLOv2和YOLOv3，這兩個模型在性能和速度上都做出了持續改進。2020年2月，PJ Reddie指出他將停止計算機視覺的研究。

 2020年4月，Alexey Bochkovskiy、Chien-Yao Wang和Hong-Yuan Mark Liao推出了YOLOv4，展示了令人印象深刻的成果。

值得注意的是，YOLOv4的許多改進來自于改進的數據增強和模型架構。我們已經寫了關于YOLOv4的分析，以及如何在自定義對象上訓練YOLOv4模型）。

YOLOv5：實時目標檢測的新時代領航者

相比其他版本，Glenn Jocher發布的YOLOv5有許多不同之處和改進。Glenn是YOLOv4中一個非常關鍵的技術「mosaic augmentation」的創建者。

YOLOv5并不是一個單獨的模型，而是一個模型家族，包括了YOLOv5s(最小)、YOLOv5m、YOLOv5l、YOLOv5x(最大)。

那么，YOLO5憑什么能夠成為目標檢測新的領航者呢？RoboFlow介紹了4點優勢。

首先，這是YOLO家族中，第一個先用PyTorch的原生版本，而非PJ Reddie的Darknet編寫的模型。Darknet是一個非常靈活的研究框架，但它并沒有考慮到生產環境的構建，而且用戶社區也較小。這導致Darknet需要在配置上花費不少功夫，而且生產準備不足。

由于YOLOv5是在PyTorch中實現的，它受益于成熟的PyTorch生態系統：支持更簡單，部署更容易。此外，作為一個更廣為人知的研究框架，YOLOv5 的迭代對更廣泛的研究社區來說可能更容易。這也使得部署到移動設備上更加簡單，因為該模型可以輕松編譯成ONNX和CoreML。

其次，YOLOv5的速度快得驚人。在YOLOv5 Colab notebook上，運行Tesla P100，我們看到每張圖像的推理時間僅需0.007秒，這意味著每秒140幀（FPS）！相比之下，YOLOv4在被轉換到相同的Ultralytics PyTorch庫后的速度是50FPS。YOLOv5的速度是YOLOv4的2倍還多！

第三，YOLOv5精度超高。在Roboflow對血細胞計數和檢測（BCCD）數據集的測試中，只訓練了100個epochs就達到了大約0.895的平均精度（mAP）。誠然EfficientDet和YOLOv4的性能相當，但在準確率沒有任何損失的情況下，看到如此全面的性能提升是非常罕見的。

第四，YOLOv5的體積很小。具體來說，YOLOv5的權重文件是27兆字節。YOLOv4（采用Darknet架構）的權重文件是244兆。YOLOv5比YOLOv4小了近90%！這意味著YOLOv5可以更容易地部署q到嵌入式設備上，所以Ultralytics也在招iOS開發。

項目地址：

https://github.com/ultralytics/yolov5