5月30日，"YOLOv5"来了！

这里的 "YOLOv5" 是带有引号的，因为 Amusi 认为网上刚出来的这个版本并称不上YOLOv5。这也是为什么标题为： 大神没交棒，但YOLOv5来了！

YOLO原项目darknet（官方）截止2020年5月31日，并没有更新添加这个"YOLOv5"的链接。最新的一次update还是上个月YOLOv4重磅出炉的那次，官方正式添加了YOLOv4项目链接。

关于YOLOv4，Amusi 认为那是真正的YOLOv4，也是YOLO系列的真正接班人。关于YOLOv4详细内容，可见： 大神接棒，YOLOv4来了 ！

大神没交棒，YOLOv5来了！

先申明，Amusi 没有刻意针对"YOLOv5"这个项目团队，也没有否认该项目的意义和贡献。而是针对YOLOv5这个名字，个人觉得很不ok，很不ok。

项目链接：https://github.com/ultralytics/yolov5

先简单介绍一下"YOLOv5"的来历。

"YOLOv5"的项目团队是Ultralytics LLC 公司 ，很多人应该没有听过这家公司。但提到他们公司的一个项目，很多人应该就知道了，因为不少同学用过。那就是基于PyTorch复现的YOLOv3，按目前github上star数来看，应该是基于PyTorch复现YOLOv3中的排名第一。Amusi 之前还分享过此项目，详见： YOLOv3最全复现代码合集（含PyTorch/TensorFlow和Keras等）

https://github.com/ultralytics/yolov3

他们复现的YOLOv3版而且还有APP版本

YOLOv3 in PyTorch > ONNX > CoreML > iOS

其实这个公司团队在YOLOv3上花的功夫蛮多的，不仅有APP版，还对YOLOv3进行了改进，官方介绍的性能效果可以说相当炸裂！另外项目维护的也很牛逼，star数已达4.7 k，commits 都快逼近2500次！

可见Ultralytics LLC 公司在YOLO社区上的贡献还是有一定影响力的，这也是为什么他们刚推出"YOLOv5"，就得到不少人的关注。

据官方称："YOLOv5" 实际上还处于开发的阶段，预计2020年第2季度/第3季度将全部开发完成。目前放出来的版本，是集成了YOLOv3-SPP和YOLOv4部分特性。

关于项目的更新说明，详见此图

那么"YOLOv5"的性能有多强呢，Ultralytics LLC给出的数据如下：

这里说一下，YOLOv5-x的性能已经达到： 47.2 AP / 63 FPS ，但项目说是在 image size = 736的情况下测得，所以从目前数据，是无法判断"YOLOv5"和 YOLOv4的性能究竟哪个更好（有意思的是，官方也没有给出）。下次Amusi 会实测一下这个版本的"YOLOv5" 和 YOLOv4性能，做一个比较。

Ultralytics LLC目前已经给出"YOLOv5"的代码、模型、训练/测试脚本

python train.py --data coco.yaml --cfg yolov5s.yaml --weights '' --batch-size 16 
 
但Ultralytics LLC并没有给出"YOLOv5"的算法介绍（论文、博客其实都没有看到），感兴趣的同学只能通过代码查看"YOLOv5"的特性。只能说现在版本的"YOLOv5"集成了YOLOv3-SPP和YOLOv4的部分特性等。
 
 
虽然现在没有给出算法介绍，但仅从给出的性能数据看起来"YOLOv5"还是不错的。不过 Amusi 认为起名"YOLOv5"实属不应该。
 
 
1. 起码要和YOLO之父Joe Redmon通知一声，经过他同意（官方项目没有更新，Amusi猜测起码没有得到认可）
 
 
2. 任何人都有起名的权利，但YOLO系列太知名了，Ultralytics LLC本身也作为YOLO社区的贡献者，应该很清楚这一点。项目很强，但YOLOv5
 
 
Amusi 不认可该项目命名为"YOLOv5"这个名字，但对开源的精神点赞，希望项目继续更新，造福更多的YOLO玩家。
 
往期精彩回顾
适合初学者入门人工智能的路线及资料下载机器学习及深度学习笔记等资料打印机器学习在线手册深度学习笔记专辑AI基础下载（pdf更新到25集）机器学习的数学基础专辑获取一折本站知识星球优惠券，复制链接直接打开：https://t.zsxq.com/yFQV7am本站qq群1003271085，加入微信群请扫码喜欢文章，点个在看
                    前言4月24日，YOLOv4来了！5月30日，"YOLOv5"来了！这里的 "YOLOv5" 是带有引号的，因为 Amusi 认为网上刚出来的这个版本并称...
由上图可知，YOLO v5主要由输入端、Backone、Neck以及Prediction四部分组成。其中：
(1) Backbone：在不同图像细粒度上聚合并形成图像特征的卷积神经网络。
(2) Neck：一系列混合和组合图像特征的网络层，并将图像特征传递到预测层。
(3) Head： 对图像特征进行预测，生成边界框
1.自适应锚框计算。
2.仍然采用Mosaic数据增强。
1.1在Yolo算法中，针对不同的数据集，都会有初始设定长宽的锚框。在网络训练中，网络在初始锚框的基础上输出预测框，进而和真实框groundtruth进行比对，计算两者差距，再反向更新，迭代网络参数。
Yolov5中将此功能嵌入到代码中，每次训练时，自适应的计算不同训练集中的最佳锚框值。
当然，如果觉得计算的锚框效果不是很好，也
				
前言YOLOv5 是在 YOLOv4 出来之后没多久就横空出世了。今天笔者介绍一下 YOLOv5 的相关知识。目前 YOLOv5 发布了新的版本，6.0版本。在这里，YOLOv5 也在5.0基础上集成了更多特性，同时也对模型做了微调，并且优化了模型大小，减少了模型的参数量。那么这样，就更加适合移动端了。
欢迎关注公众号CV技术指南，专注于计算机视觉的技术总结、最新技术跟踪、经典论文解读、CV招聘信息。
了解YOLO: https://baijiahao.baidu.com/s?id=1664853943386329436&wfr=spider&for=pc
		  https://zhuanlan.zhihu.com/p/25236464
了解目标检测（推荐）：https://www.bilibili.com/video/BV1m5411A7FD
  “YOLO”是一个对象检测算法的名字，YOLO将对象检测重新定义为
				
论文名称： TPH-YOLOv5: Improved YOLOv5 Based on Transformer Prediction Head for Object Detection on Drone-captured Scenarios
论文下载地址：https://arxiv.org/abs/2108.11539
代码运行参考博客：https://blog.csdn.net/zztjl/article/details/123870061添加链接描述
概述了模型解决的问题域，以及tph-yolo
在Yolo算法中，针对不同的数据集，都会有初始设定长宽的锚框。
在网络训练中，网络在初始锚框的基础上输出预测框，进而和真实框groundtruth进行比对，计算两者差距，再反向更新，迭代网络参数。
因此初始锚框也是比较重要的一部分，比如Yolov5在Coco数..
首先，请确保您的Jetson TX2设备具有足够的存储空间，以安装必要的软件。接下来，您需要安装以下软件：
1. NVIDIA CUDA：这是NVIDIA提供的并行计算框架，是运行YOLOv5所需的。
2. cuDNN：这是NVIDIA的深度神经网络库，是CUDA的一个扩展。
3. OpenCV：这是计算机视觉库，是YOLOv5的一个依赖项。
安装这些软件后，您可以使用以下步骤来部署YOLOv5：
1. 克隆YOLOv5存储库：使用Git命令克隆YOLOv5存储库到您的Jetson TX2设备。
2. 安装Python依赖项：使用pip命令安装YOLOv5所需的Python依赖项。
3. 下载预训练模型：从YOLOv5存储库下载预训练模型并将其复制到您的Jetson TX2设备。
4. 运行检测器：使用Python命令行工具运行YOLOv5检测器。
希望这些指导能帮助您部署YOLOv5到Jetson TX2。如果您需要更详细的指导，请告诉我您是否已经安装了这些依赖项，以及您在部署过程中遇到的任何问题。