Ultralytics YOLOv5 模型
借助当前的 YOLOv5u 模型和成熟的工作流，构建可靠的实时目标检测系统，让自定义检测器的训练和部署变得实用且易上手。
YOLOv5u 检测模型
当前版本的 Ultralytics 软件包提供更新后的无锚框 YOLOv5u 检测模型，包含从 nano 到 extra-large 的五种尺寸。它们保留了久经验证的 YOLOv5 工作流，同时改善了准确率与速度之间的平衡，并且可以像所有 Ultralytics YOLO 模型一样，通过同一 API 完成训练、验证、导出和部署。
pip install ultralyticsfrom ultralytics import YOLO
# Load a YOLOv5u model
model = YOLO("yolov5nu.pt")
# Run inference
results = model("image.jpg")| 模型 | 尺寸（像素） | mAP 50-95 | CPU ONNX（毫秒） | A100 TensorRT（毫秒） | 参数量（百万） | FLOPs（十亿） |
|---|---|---|---|---|---|---|
| yolov5nu | 640 | 34.3 | 73.6 | 1.06 | 2.6 | 7.7 |
| yolov5su | 640 | 43.0 | 120.7 | 1.27 | 9.1 | 24.0 |
| yolov5mu | 640 | 49.0 | 233.9 | 1.86 | 25.1 | 64.2 |
| yolov5lu | 640 | 52.2 | 408.4 | 2.50 | 53.2 | 135.0 |
| yolov5xu | 640 | 53.2 | 763.2 | 3.81 | 97.2 | 246.4 |
Ultralytics 文档中的 YOLOv5u 640 像素检测基准；另提供更大尺寸的 1280 像素 P6 变体。
深受全球领先机构信赖
我们的模型影响力
借助我们尖端的视觉 AI 模型，优化各行业流程。Ultralytics 为你带来速度、准确性和易用性。
从 YOLOv5 到最新的 Ultralytics YOLO
了解实用的 YOLOv5 工作流如何发展为统一的模型生态系统，支持训练和部署。
借助智能标注，提速至多 10 倍
Ultralytics Platform 为你提供图像标注工具，帮助你更快地构建高质量数据集。从智能标注到精准的手动编辑，这些功能旨在缩短图像标注时间，同时不牺牲质量。
- SAM 驱动的智能标注：一键生成掩码和边界框。
- 全面覆盖 AI 任务：目标检测、实例分割、语义分割、分类、姿态估计、OBB。
- 通用格式支持：你可以选择 YOLO、COCO 等格式。
- 团队审核与版本管理：协作过程清晰可见，步步有序。
以更低成本使用顶级 GPU 进行训练
26 款 NVIDIA GPU，每小时仅需 $0.24 起——涵盖 Ampere 到 Blackwell。无加价、无最低消费、无承诺。
探索行业解决方案
了解各团队如何在生产环境中应用 Ultralytics 计算机视觉。
农业
汽车
医疗保健
物流
制造业
零售
机器人
常见问题
Ultralytics YOLOv5 于 2020 年推出，采用易上手的 PyTorch 工作流，帮助实用地实现自定义实时目标检测。当前的 Ultralytics Python 软件包 支持更新后的无锚框 YOLOv5u 检测模型；原始 YOLOv5 仓库中的权重采用不同架构，与当前库不兼容。详情请参阅 YOLOv5 文档。
当前 Ultralytics 库和 Platform 项目支持的 YOLOv5u 模型专为目标检测打造。历史上的 YOLOv5 仓库也发布过独立的分类和分割变体，但这些原始架构和权重不能与当前的 YOLOv5u 模型互换使用。
如果你最关注延迟和模型尺寸，可以从 nano 或 small YOLOv5u 检测器开始。对于许多工作负载，medium 能平衡速度和准确率；如果计算资源充足，large 和 extra-large 则更注重准确率。请在 YOLOv5 文档中比较当前模型基准，再用你自己的数据验证候选模型。
是的。YOLOv5 仍支持现有项目和部署。Ultralytics YOLO26 是最新的稳定模型，也是新项目的推荐起点；如果需要与成熟的 YOLOv5 流水线兼容，YOLOv5 仍然很有用。
使用 Ultralytics YOLOv5 构建
通过 Ultralytics Platform 训练、验证、导出和部署当前的 YOLOv5u 检测模型。