--- title: YOLOv5-PyTorch-模型库-ModelZoo-昇腾社区 description: YOLOv5基于PyTorch框架开发，是一个经典的物体检测网络，将物体检测作为回归问题求解。 keywords: YOLOv,PyTorch,模型库,ModelZoo,昇腾社区,概述,简述,准备训练环境 url: https://www.hiascend.com/software/modelzoo/models/detail/17ac4ee6bfca48f6b8698752bd34bfad section: (其他) --- # YOLOv5-PyTorch-模型库-ModelZoo-昇腾社区 URL: https://www.hiascend.com/software/modelzoo/models/detail/17ac4ee6bfca48f6b8698752bd34bfad 描述: YOLOv5基于PyTorch框架开发，是一个经典的物体检测网络，将物体检测作为回归问题求解。 关键词: YOLOv,PyTorch,模型库,ModelZoo,昇腾社区,概述,简述,准备训练环境 ModelZoo主页 主页 [了解详情](https://www.hiascend.com/software/modelzoo)大模型 [了解详情](https://www.hiascend.com/software/modelzoo/big-models)模型库 [了解详情](https://www.hiascend.com/software/modelzoo/models)工具库 [了解详情](https://www.hiascend.com/software/modelzoo/tools)权重库 [了解详情](https://www.hiascend.com/software/modelzoo/datasets)ModelShow [了解详情](https://www.hiascend.com/software/modelzoo/modelshow)DeepSeek专区HOT [了解详情](https://www.hiascend.com/developer/deepseek)文档中心 [了解详情](https://www.hiascend.com/document/detail/zh/ModelZoo/Documentation/overview/overview_0001.html)论坛交流 [了解详情](https://www.hiascend.com/forum/forum-0140120119986591009-1.html) 主页 [了解详情](https://www.hiascend.com/software/modelzoo)大模型 [了解详情](https://www.hiascend.com/software/modelzoo/big-models)模型库 [了解详情](https://www.hiascend.com/software/modelzoo/models)工具库 [了解详情](https://www.hiascend.com/software/modelzoo/tools)权重库 [了解详情](https://www.hiascend.com/software/modelzoo/datasets)ModelShow [了解详情](https://www.hiascend.com/software/modelzoo/modelshow)DeepSeek专区HOT [了解详情](https://www.hiascend.com/developer/deepseek)文档中心 [了解详情](https://www.hiascend.com/document/detail/zh/ModelZoo/Documentation/overview/overview_0001.html)论坛交流 [了解详情](https://www.hiascend.com/forum/forum-0140120119986591009-1.html) 模型库 [了解详情](https://www.hiascend.com/software/modelzoo/models) YOLOv5-PyTorch ## YOLOv5-PyTorch 视觉检测与跟踪PyTorch训练21411次浏览2026/08/13更新 4.9 获取源码 YOLOv5-PyTorch 查看模型源码 模型使用 版本信息 模型使用 版本信息 ... # 概述 ## 简述 YOLO是一个经典的物体检测网络，将物体检测作为回归问题求解。YOLO训练和推理均是在一个单独网络中进行。基于一个单独的end-to-end网络，输入图像经过一次inference，便能得到图像中所有物体的位置和其所属类别及相应的置信概率。YOLOv5于2020.05.27首次发布，截至2020.12.01仍在更新，目前NPU适配的版本为Yolov5 Tag=v6.0。 - 参考实现： ``` url=https://github.com/ultralytics/yolov5.git Tag=v6.0 ``` - 适配昇腾 AI 处理器的实现： ``` url=https://gitcode.com/ascend/modelzoo-GPL code_path=built-in/PyTorch/Official/cv/object_detection ``` # 准备训练环境 ## 准备环境 - 推荐使用最新的版本准备训练环境。 表 1版本配套表 | 软件 | 版本 | 安装指南 | | --- | --- | ---| | Driver | AscendHDK 25.0.RC1.1 | 《驱动固件安装指南》 | | Firmware | AscendHDK 25.0.RC1.1 | | | CANN | CANN 8.1.RC1 | 《CANN 软件安装指南》 | | PyTorch | 2.1.0 | 《Ascend Extension for PyTorch 配置与安装》 | | torch_npu | release v7.0.0-pytorch2.1.0 | | - 三方库依赖如下表所示。 表 2三方库依赖表 | Torch_Version | 三方库依赖版本 | | --- | ---| | PyTorch 2.1 | pillow==9.1.0 | - 安装依赖。 在模型源码包根目录下执行命令，安装模型对应PyTorch版本需要的依赖。 ``` pip install -r 2.1_requirements.txt # PyTorch2.1版本 ``` 说明：只需执行一条对应的PyTorch版本依赖安装命令。 ## 准备数据集 1. 获取数据集。 用户自行获取原始数据集coco2017，将数据集上传到服务器任意路径下并解压，数据集目录结构参考如下所示： ``` ├── coco #根目录 ├── train2017 #训练集图片，约118287张 ├── val2017 #验证集图片，约5000张 └── annotations #标注目录 ├── instances_train2017.json #对应目标检测、分割任务的训练集标注文件 ├── instances_val2017.json #对应目标检测、分割任务的验证集标注文件 ├── captions_train2017.json ├── captions_val2017.json ├── person_keypoints_train2017.json └── person_keypoints_val2017.json ``` 说明：该数据集的训练过程脚本只作为一种参考示例。 2. 生成yolov5专用标注文件。 （1）将代码仓中coco/coco2yolo.py和coco/coco_class.txt拷贝到coco数据集根目录。 （2）运行coco2yolo.py。 ``` python3 coco2yolo.py ``` （3）运行上述脚本后，将在coco数据集根目录生成train2017.txt和val2017.txt。 3. 在源码包根目录下配置数据集路径。 ``` mkdir datasets ln -s coco_path ./datasets/coco # coco_path为数据集实际路径 ``` - 编译安装torchvision 为了更快的推理性能，请编译安装而非直接安装torchvision ``` git clone -b v0.9.1 https://github.com/pytorch/vision.git #根据torch版本选择不同分支 cd vision python setup.py bdist_wheel pip3 install dist/*.whl ``` 编译安装过程中会卸载已安装的torch，编译完成后，请重新安装torch_npu 1. 编译安装Opencv-python。 为了获得最好的图像处理性能，请编译安装opencv-python而非直接安装。编译安装步骤如下： ``` export GIT_SSL_NO_VERIFY=true git clone https://github.com/opencv/opencv.git cd opencv mkdir -p build cd build cmake -D BUILD_opencv_python3=yes -D BUILD_opencv_python2=no -D PYTHON3_EXECUTABLE=/root/miniconda3/envs/yolov5/bin/python3.8 -D PYTHON3_INCLUDE_DIR=/root/miniconda3/envs/yolov5/include/python3.8 -D PYTHON3_LIBRARY=/root/miniconda3/envs/yolov5/lib/libpython3.8.so -D PYTHON3_NUMPY_INCLUDE_DIRS=/root/miniconda3/envs/yolov5/lib/python3.8/site-packages/numpy/core/include -D PYTHON3_PACKAGES_PATH=/root/miniconda3/envs/yolov5/lib/python3.8/site-packages -D PYTHON3_DEFAULT_EXECUTABLE=/root/miniconda3/envs/yolov5/bin/python3.8 .. make -j$nproc make install ``` 注： 上述cmake命令中的路径，请自行替换为实际conda虚拟环境或者系统环境的Python路径 编译安装过程中会刷新numpy的版本，该版本的numpy无法运行本项目！ 请在编译安装OpenCV后，将numpy刷回1.23.0版本 ``` pip install numpy==1.23.0 ``` # 开始训练 ## 训练模型 1. 进入解压后的源码包根目录。 ``` cd /${模型文件夹名称} ``` 2. 运行训练脚本。 该模型支持单机单卡训练和单机8卡训练。 - 单机单卡训练 启动单卡训练。 ``` bash test/train_yolov5s_performance_1p.sh # yolov5s 1p_performance bash test/train_yolov5m_performance_1p.sh # yolov5m 1p_performance ``` - 单机8卡训练 启动8卡训练。 ``` bash test/train_yolov5s_performance_8p.sh # yolov5s 8p_performance bash test/train_yolov5m_performance_8p.sh # yolov5m 8p_performance bash test/train_yolov5s_full_8p.sh # yolov5s 8p_accuracy bash test/train_yolov5m_full_8p.sh # yolov5m 8p_accuracy bash test/train_yolov5m_full_8p_high_preci.sh # yolov5m 8p_high_precision ``` - 纯FP32计算 启动单卡训练 ``` bash test/train_yolov5s_fp32_performance_1p.sh # yolov5s 1p_fp32_performance ``` 启动多卡训练 ``` bash test/train_yolov5s_fp32_performance_8p.sh # yolov5s 8p_fp32_performance bash test/train_yolov5s_fp32_full_8p.sh # yolov5s 8p_fp32_accuracy ``` - 纯HF32计算 启动单卡训练 ``` bash test/train_yolov5s_fp32_performance_1p.sh --hf32 # yolov5s 1p_hf32_performance ``` 启动多卡训练 ``` bash test/train_yolov5s_fp32_performance_8p.sh --hf32 # yolov5s 8p_hf32_performance bash test/train_yolov5s_fp32_full_8p.sh --hf32 # yolov5s 8p_hf32_accuracy ``` - NPU 多机多卡训练指令 启动多机多卡训练。 ``` bash test/train_yolov5s_performance_cluster.sh --data_path=数据集路径 --nnodes=机器数量 --node_rank=机器序号(0,1,2...) --master_addr=主机服务器地址 --master_port=主机服务器端口号 bash test/train_yolov5m_performance_cluster.sh --data_path=数据集路径 --nnodes=机器数量 --node_rank=机器序号(0,1,2...) --master_addr=主机服务器地址 --master_port=主机服务器端口号 ``` ps:脚本默认为8卡，若使用自定义卡数，继续在上面命令后添加 --device_number=每台机器使用卡数 --head_rank=起始卡号，例如分别为4、0时，代表使用0-3卡训练。 - 在线推理 启动在线推理。 ``` bash ./test/train_yolov5s_eval.sh #在线推理 ``` --data_path参数填写数据集路径，需写到数据集的一级目录。 模型训练脚本参数说明如下。 ``` 公共参数： --conda_name //conda名，不传默认没有，传了进入conda执行 --data //数据集路径 --workers //加载数据进程数 --batch-size //训练批次大小 --epochs //重复训练次数 --weights //初始权重路径 --rect //矩形训练 --nosave //保存最后一个权重 --noval //验证最后一个epoch --artifact_alias //数据集版本 --save-period //权重保存 --native_amp //使用torch amp进行混合精度训练，如不配置默认使用apex --half //eval执行脚本中参数，如配置默认使用混合精度计算 --freeze //支持冻结权重训练 ``` 训练完成后，权重文件保存在当前路径下，并输出模型训练精度和性能信息。 # 训练结果展示 表 3yolov5m训练结果展示表 | NAME | mAP0.5 | FPS | AMP_Type | Torch_Version | | --- | --- | --- | --- | ---| | 1p-竞品A | - | 181 | O1 | 1.8 | | 8p-竞品A | 64.1 | 1264 | O1 | 1.8 | | 1p-NPU | - | 283.3 | O1 | 1.11 | | 8p-NPU | 63.6 | 2208.5 | O1 | 1.11 | | 1p-NPU | - | 281 | O1 | 2.1 | | 8p-NPU | 63.6 | 2106.6 | O1 | 2.1 | 表 4yolov5m高精度8p训练结果展示表 | NAME | mAP0.5 | FPS | AMP_Type | Torch_Version | | --- | --- | --- | --- | ---| | 8p-竞品A | 64.1 | 1264 | O1 | 1.8 | | 8p-NPU | 64.5 | 2208.5 | O1 | 1.11 | | 8p-NPU | 64.5 | 2106.6 | O1 | 2.1 | 表 5yolov5s训练结果展示表 | NAME | mAP0.5~0.95 | FPS | AMP_Type | Torch_Version | Architecture | Device_Type | | --- | --- | --- | --- | --- | --- | ---| | 1p-NPU | 35.5 | 419.7 | FP16 | 1.11 | Arm | Atlas 800T A2 | | 8p-NPU | 35.5 | 3082.4 | FP16 | 1.11 | Arm | Atlas 800T A2 | | 1p-NPU | 35.5 | 428.5 | FP16 | 2.1 | Arm | Atlas 800T A2 | | 8p-NPU | 35.5 | 3006.9 | FP16 | 2.1 | Arm | Atlas 800T A2 | | 1p-NPU | 35.5 | 221.6 | FP32 | 1.11 | Arm | Atlas 800T A2 | | 8p-NPU | 35.5 | 1724.8 | FP32 | 1.11 | Arm | Atlas 800T A2 | | 1p-NPU | 35.5 | 224 | FP32 | 2.1 | Arm | Atlas 800T A2 | | 8p-NPU | 35.5 | 1742.3 | FP32 | 2.1 | Arm | Atlas 800T A2 | | 1p-NPU | 35.5 | 221.3 | HF32 | 1.11 | Arm | Atlas 800T A2 | | 8p-NPU | 35.5 | 1741.7 | HF32 | 1.11 | Arm | Atlas 800T A2 | | 1p-NPU | 35.5 | 222.5 | HF32 | 2.1 | Arm | Atlas 800T A2 | | 8p-NPU | 35.5 | 1716.6 | HF32 | 2.1 | Arm | Atlas 800T A2 | 说明：上表为历史数据，仅供参考。2025年5月10日更新的性能数据如下： | NAME | 精度类型 | FPS | | --- | --- | ---| | yolov5m 6.0-8p-竞品 | FP16 | 1264 | | yolov5m 6.0-8p-Atlas 900 A2 PoDc | FP16 | 2295.1 | | yolov5s 6.0-8p-竞品 | FP16 | 3006.9 | | yolov5s 6.0-8p-Atlas 900 A2 PoDc | FP16 | 3097.8 | # 版本说明 # 公网地址说明 代码涉及公网地址参考 public_address_statement.md ## 变更 2023.02.16：更新readme，重新发布。 2021.07.08：首次发布。 ## FAQ 1. 训练过程中若遇到该问题`wandb: ERROR api_key not configured (no-tty). call wandb.login(key=[your_api_key])`，在不能获取到key的情况下，请卸载三方库`wandb`，再进行训练。 | 版本 | 更新时间 | 精度 | 处理器 | CANN版本 | 操作 | | --- | --- | --- | --- | --- | ---| | 5.0.RC3 | 2026/08/13 | Mixed | Ascend 910 | 7.0.RC1 | modelzoo | 使用模型资源和服务前，请您仔细阅读并理解透彻《昇腾深度学习模型许可协议 3.0》 [了解详情](https://www.hiascend.com/legal/modelzoo_models_license)