文件名称：yolov5:PyTorch中的YOLOv5> ONNX> CoreML> TFLite
文件大小：1.02MB
文件格式：ZIP
更新时间：2024-05-31 06:24:33
附件源码 文章源码
该存储库代表Ultralytics对未来的对象检测方法的开源研究，并结合了在匿名客户数据集上数千小时的培训和发展过程中汲取的经验教训和最佳实践。 所有代码和模型都在积极开发中，如有更改或删除，恕不另行通知。 使用风险自负。 YOLOv5-P5 640图（单击展开） 图注释（单击以展开） GPU速度使用批处理大小为32的V100 GPU测量平均超过5000张COCO val2017图像的端到端时间，包括图像预处理，PyTorch FP16推理，后处理和NMS。 来自EfficientDet数据（批量大小为8）。 通过python test.py --task study --data coco.yaml --iou 0.7 --weights yolov5s6.pt yolov5m6.pt yolov5l6.pt yolov5x6.pt复制- python test.py --ta
【文件预览】：
yolov5-master
----models()
--------common.py(25KB)
--------yolo.py(15KB)
--------hub()
--------yolov5s.yaml(1KB)
--------yolov5s_cbam.yaml(2KB)
--------__init__.py(0B)
--------yolov5x.yaml(1KB)
--------yolov5l.yaml(1KB)
--------export.py(6KB)
--------yolov5m.yaml(1KB)
--------experimental.py(5KB)
----tutorial.ipynb(385KB)
----data()
--------GlobalWheat2020.yaml(2KB)
--------coco.yaml(2KB)
--------hyp.scratch.yaml(2KB)
--------images()
--------hyp.finetune.yaml(846B)
--------VisDrone.yaml(3KB)
--------voc.yaml(737B)
--------coco128.yaml(2KB)
--------scripts()
--------argoverse_hd.yaml(848B)
----test.py(17KB)
----.github()
--------dependabot.yml(201B)
--------FUNDING.yml(118B)
--------ISSUE_TEMPLATE()
--------workflows()
----train.py(33KB)
----Dockerfile(2KB)
----LICENSE(34KB)
----detect.py(9KB)
----requirements.txt(599B)
----.gitignore(4KB)
----.dockerignore(4KB)
----weights()
--------download_weights.sh(277B)
----README.md(11KB)
----utils()
--------loss.py(10KB)
--------plots.py(18KB)
--------flask_rest_api()
--------metrics.py(9KB)
--------general.py(27KB)
--------datasets.py(43KB)
--------activations.py(4KB)
--------autoanchor.py(7KB)
--------torch_utils.py(12KB)
--------aws()
--------__init__.py(0B)
--------wandb_logging()
--------google_app_engine()
--------google_utils.py(5KB)
----hubconf.py(6KB)
----.gitattributes(75B)