点击上方“码农的后花园”，选择“星标” 公众号

  精选文章，第一时间送达

2020年2月份YOLO之父Joseph Redmon宣布退出计算机视觉的研究的时候，很多人都以为目标检测神器YOLO系列就此终结。

没想到的是, 2020年4月份曾经参与YOLO项目维护Alexey Bochkovskiy带着论文《Optimal Speed and Accuracy of Object Detection》和代码在Github上重磅开源！YOLOv4正式发布！

令我们更没想到的是！！！2020年6月份，短短两个月！Ultralytics LLC 公司的创始人兼 CEO Glenn Jocher 在 GitHub 上发布了 YOLOv5 的一个开源实现，标志着YOLOv5的到来！！

Ultralytics LLC是一家在2014年，总部位于华盛顿的初创公司，专门从事人工智能、机器视觉和粒子物理应用，公司目前只有5~10个人。

但是YOLOv5的命名发布却引起了巨大的争议。在YOLOv5在Github发布开源后，就有人在Issues里面直接斥责不应该命名为YOLOv5。

而在YOLO之父Jeseph Redmon的Github官网上只承认了YOLOv4以及缩放版的Scaled_YOLOv4,并没有将YOLOv5列入其中，也就是说YOLOv5并没有得到官方的认可。

并且YOLOv4的创始人Alexey也在Issues上面就YOLOv5的模型比YOLOv4小、速度更快对YOLOv5也做出了驳斥。在模型大小方面，YOLOv5比较的是：Microsoft COCO 上 26–36% AP 的准确度非常低的 Ultralytics 版小 YOLOv5 （27 MB）与在 Microsoft COCO 上 41-43% AP 的准确度非常高的大 YOLOv4（245MB）。

在速度方面，YOLOv5他们比较的是非常小且准确度低很多的 ultralytics-YOLOv5 与非常准确且较大的 YOLOv4 的速度。不仅如此，YOLOv5没有提供它所比较使用的版本、设置多大的的batch数、使用怎样的训练、测试方案等。

对于YOLOv5的命名发布这么大的争议的原因是：Ultralytics公司在开源YOLOv5的代码时， 未发布经过同行评议的 YOLOv5 论文。而YOLOv4的开源时，论文得到了发表并且经过了同行评议，技术升级且效果不错，得到了计算机视觉社区的接受和认可。

也就是说YOLOv4的创作团队将v4的来龙去脉说清楚了，有视频也有文章，YOLO之父原作者也很认可。而YOLOv5的ultralytics公司团队完全不提原作，即使这是一个开源的项目，对于他们的公司会有利益。

而在面对这些争议的一段时间之后，ultralytics公司团队在Roboflow 博客：https://blog.roboflow.com/yolov5-is-here/也做出l了正面的相应的回应和改进。

而且在这边回应争论的博客中，也系统从环境配置、数据的建立、训练、推理、评估、模型大小各个方面详细的比较了YOLOv5和YOLOv4，详细的可以在社区中查看。

我们可以从Roboflow博客中可以看出YOLOv5是YOLO 家族中首次使用 PyTorch 而不是  Darknet 编写模型的本地版本，Darknet版本的YOLO配置更加复杂，不适合生产环境。

而基于Pytorch实现的YOLOv5，它受益于已建立的 PyTorch 生态系统，支持更简单，部署更容易，模型参数更少，并且支持转ONNX以及CoreML等，方便用户在移动端、嵌入式设备等部署，遗憾的是YOLOv5论文可能由于公司利益原因并未发布。

我们再看看YOLOv5的Github官网，以及YOLOv5发布的4个版本：

在COCO数据集比较下，YOLOv5s的推理速度可以达到140FPS，其他版本的推理速度也比谷歌2018年推出的EfficientDet,更快，准确度更小。

在后台回复关键字：项目实战，即可获取YOLOv5源代码，后期提供相应的训练测试教程。

YOLOv5Github地址：https://github.com/ultralytics/yolov5

博客地址：https://blog.roboflow.com/yolov5-is-here/

往期精彩分享：

Yolov1 + Yolov2 + Yolov3 发展史、论文、代码最全资源分享合集 ！！！

YOLOV4 和 Scaled YOLOv4  发展史、论文、各个版本代码资源分享合集 ！！！

好啦，这期YOLOv5的分享到此结束了，觉得还不错的话，可以点赞、在看、收藏一波哦~

更多优质内容？等你点在看