Biblioteca PyTorch que implementa métodos de mapas de ativação de classe (CAM) para visualizar quais regiões da imagem influenciam as previsões de modelos de visão computacional.
13 mil1,7 milPythonMITAtualizado há 2 meses
ultralytics/yolov5
Ultralytics YOLOv5, toolkit de visão computacional baseado em PyTorch para detecção de objetos, segmentação de instâncias e classificação de imagens, com recursos de treinamento e exportação.
- Estrelas
- 58,185
- Forks
- 17,457
- Issues abertas
- 25
- Último commit
- anteontem
O que é?
YOLOv5 é uma biblioteca de modelos de visão computacional desenvolvida pela Ultralytics com base em PyTorch. Ela oferece detecção de objetos, segmentação de instâncias e classificação de imagens, além de scripts para treinar com datasets personalizados, validar a acurácia, executar inferências em imagens, vídeos, webcams e streams e exportar pesos treinados.
O repositório oferece checkpoints pré-treinados em tamanhos de nano a extra-large, treinados com COCO e ImageNet, que podem ser carregados pelo PyTorch Hub ou pelo script de linha de comando detect.py. O treinamento é compatível com execuções distribuídas em várias GPUs usando data parallel, e as ferramentas de exportação convertem modelos para os formatos ONNX, TensorRT, CoreML e TFLite.
O projeto também documenta tutoriais sobre transfer learning, evolução de hiperparâmetros, poda de modelos, test-time augmentation e integrações de logging com ferramentas como ClearML, Comet e Weights & Biases. O repositório informa que o sucessor mantido ativamente é o pacote ultralytics do pip, que oferece modelos YOLO mais recentes e tarefas adicionais, como estimativa de pose e caixas delimitadoras orientadas.
Recursos principais
- 01Detecção de objetos, segmentação de instâncias e classificação de imagens em uma única base de código.
- 02Checkpoints pré-treinados de nano a extra-large, que podem ser usados pelo PyTorch Hub ou pelo detect.py.
- 03Inferência em imagens, vídeos, webcams, captura de tela, streams RTSP e URLs do YouTube.
- 04Treinamento com DDP em várias GPUs e seleção de tamanho de batch com AutoBatch.
- 05Exportação para os formatos ONNX, TensorRT, CoreML e TFLite.
Casos de uso
- Treinar um detector com um dataset personalizado e rotulado.
- Executar detecção de objetos em tempo real em uma webcam ou arquivo de vídeo.
- Implantar um modelo treinado em dispositivos de borda usando TensorRT ou TFLite.
- Experimentar segmentação ou classificação usando checkpoints pré-treinados.
Início rápido
- 1
Clone o repositório
git clone https://github.com/ultralytics/yolov5 - 2
Acesse o diretório clonado
cd yolov5 - 3
Instale os pacotes necessários
pip install -r requirements.txt - 4
Execute a inferência em uma imagem local
python detect.py --weights yolov5s.pt --source img.jpg
Antes de usar
- O projeto é licenciado sob AGPL-3.0, uma licença copyleft que pode exigir a disponibilização do código-fonte de serviços de rede derivados.
- Para uso empresarial sem as obrigações da AGPL, é necessário obter uma licença separada da Ultralytics.
- O README recomenda o pacote ultralytics, que está sendo mantido ativamente, para arquiteturas mais recentes.
Tópicos
Perguntas frequentes
- O que é yolov5?
- Ultralytics YOLOv5, toolkit de visão computacional baseado em PyTorch para detecção de objetos, segmentação de instâncias e classificação de imagens, com recursos de treinamento e exportação. YOLOv5 é uma biblioteca de modelos de visão computacional desenvolvida pela Ultralytics com base em PyTorch. Ela oferece detecção de objetos, segmentação de instâncias e classificação de imagens, além de scripts para treinar com datasets personalizados, validar a acurácia, executar inferências em imagens, vídeos, webcams e streams e exportar pesos treinados.
- yolov5 é gratuito? Qual é a licença?
- yolov5 é open source sob a licença AGPL-3.0. Confira os termos da licença antes de usá-lo em produtos comerciais.
- yolov5 ainda é mantido?
- Manutenção ativa. O último commit de yolov5 foi em 18 de out. de 2026.
- Para que posso usar yolov5?
- Treinar um detector com um dataset personalizado e rotulado. Executar detecção de objetos em tempo real em uma webcam ou arquivo de vídeo. Implantar um modelo treinado em dispositivos de borda usando TensorRT ou TFLite. Experimentar segmentação ou classificação usando checkpoints pré-treinados.
- Como instalar yolov5?
- Clone o repositório: git clone https://github.com/ultralytics/yolov5 Acesse o diretório clonado: cd yolov5 Instale os pacotes necessários: pip install -r requirements.txt Execute a inferência em uma imagem local: python detect.py --weights yolov5s.pt --source img.jpg
- Onde consigo yolov5?
- O código-fonte e as instruções de instalação estão no GitHub: https://github.com/ultralytics/yolov5
Resumo gerado por IA a partir do README do projeto. As estatísticas do GitHub são atualizadas diariamente.
Projetos relacionados
Aplicativo desktop multiplataforma para anotação assistida por IA de dados de texto, imagem, vídeo, nuvem de pontos e multimodais, com modelos integrados e exportação em vários formatos.
IA e Machine Learning#image-annotation#computer-vision#deep-learning#object-detection#instance-segmentation
10,7 mil1,2 milPythonGPL-3.0Atualizado anteontem
Implementação oficial em PyTorch do BiRefNet, um modelo de deep learning para segmentação dicotômica de imagens em alta resolução, usado com frequência para remover fundos.
4,3 mil344PythonMITAtualizado há 3 dias
Uma coleção de 419 modelos de IA pré-treinados para visão, fala, NLP e LLMs, todos executáveis por uma CLI Python unificada usando o ailia SDK.
2,4 mil367PythonOtherAtualizado ontem
Biblioteca de otimização de deep learning que facilita e torna mais eficiente o treinamento distribuído e a inferência de modelos grandes.
43,2 mil5 milPythonApache-2.0Atualizado ontem
Ferramenta em Python para restauração cega de rostos, que melhora rostos borrados, de baixa qualidade ou danificados em fotos e vídeos usando um transformer com consulta a codebook.
18,2 mil3,7 milPythonOtherAtualizado há 11 meses