在YOLOv4发布后不到50天，YOLOv5就改进了实时对象检测的技术水平。

实时目标检测技术快速发展，其改进的速度令人震惊。

3月18日，Google开源了EfficientDet的实现源代码，EfficientDet可对不同大小的模型进行快速训练，其中之一提供实时输出。4月23日，Alexey Bochoviskiy等人开源了YOLOv4。6月9日，Glenn Jocher开源了 YOLOv5。

YOLO模型的演变

YOLO(You Only Look Once)是PJ·雷迪(PJ Reddie)最初在2016年出版的一本书中创建的一系列模型。YOLO模型非常小，以高性能著称，这使它们成为实时条件和设备上部署环境的理想候选者。

PJ Reddie的研究团队随后开源了YOLOv2和YOLOv3，这两个产品在模型性能和模型速度上都有了持续的提升。2020年2月，PJ Reddie表示他将停止计算机视觉的研究。

2020年4月，Alexey Bochkovskiy, Chien-Yao Wang和hongyuan Mark Liao推出了YOLOv4，取得了令人瞩目的成绩。

值得注意的是，YOLOv4的许多改进来自于改进的数据增强和模型架构。

YOLOv5：实时目标检测的领导者

Glenn Jocher发布的YOLOv5与此前的YOLO模型相比存在很多差异和改进。

值得注意的是，Glenn是mosaic 数据增强方法的创建者，该方法是改进后的YOLOv4中包含的一种技术。YOLOv5的发布包括五个不同的型号：YOLOv5s（最小）、YOLOv5m、YOLOv5l、YOLOv5x（最大）。

首先，这是YOLO系列中第一个使用PyTorch而不是PJ Reddie的Darknet编写的native版本。

Darknet是一个非常灵活的研究框架，但它并不是在考虑生产环境的情况下构建的，它的用户群体也比较小。因此Darknet在配置上更具有挑战性，且不适合生产。

因为YOLOv5是在PyTorch中实现的，所以它受益于已建立的PyTorch生态系统；支持更简单，部署更容易。

此外，作为一个更广为人知的研究框架，在YOLOv5上进行迭代可能更容易。

由于该模型可以轻松地编译为ONNX和CoreML，因此这也使得部署到移动设备的过程更加简单。

其次，YOLOv5极快。在运行Tesla P100的YOLOv5 Colab笔记本中，每个图像的推理时间快至0.007秒，意味着每秒140帧（FPS）！相比之下，YOLOv4在转换为相同的Ultralytics PyTorch后达到了50帧 。

第三，YOLOv5是准确的。在研究者对血细胞计数和检测(BCCD)数据集的测试中，经过100个epoch的训练，他们获得了大约0.895的平均精度(mAP)。研究者也在EfficientDet和YOLOv4上也看到了相当的性能，但是很少看到YOLOv5这种全面的性能改进而又不损失准确性。

第四，YOLOv5很小。具体而言，YOLOv5的权重文件为27兆字节。YOLOv4（具有Darknet架构）的权重文件为244 MB。YOLOv5比YOLOv4小近90％。这意味着YOLOv5可以更轻松地部署到嵌入式设备。

YOLOv5权重文件存储在S3中，以便将来进行推断

YOLOv5的图形测量性能很好地总结了这些变化。

YOLO比EfficientDet更快、更准

参考链接：

https://blog.roboflow.ai/yolov5-is-here/

github：

https://github.com/ultralytics/yolov5

140FPS！YOLOv5重磅来袭，速度逆天https://m.toutiaocdn.com/i6836939108103750152/?app=news_article&timestamp=1591858765&use_new_style=0&req_id=202006111459240100140481312703619E&group_id=6836939108103750152&tt_from=android_share&utm_medium=toutiao_android&utm_campaign=client_share

转载请注明：徐自远的乱七八糟小站 » 140FPS！YOLOv5重磅来袭，速度逆天