YOLOv5-Lite：更轻量、更快、更易部署

我们在 YOLOv5 上进行了一系列消融实验，使其更加轻量化（FLOPs 更小、内存占用更低、参数量更少）且速度更快（引入通道混洗操作，并对 YOLOv5 的检测头进行通道裁剪）。在树莓派 4B 上，使用 320×320 分辨率的输入时，该模型能够达到至少 10+ FPS 的推理速度；同时，通过移除 Focus 层和四次切片操作，并将模型量化精度控制在可接受范围内，进一步简化了部署流程。

消融实验结果对比

更多详情请参阅 Wiki：https://github.com/ppogg/YOLOv5-Lite/wiki/Test-the-map-of-models-about-coco

不同平台上的性能对比

树莓派 4B 上实现 15 FPS 的教程：

https://zhuanlan.zhihu.com/p/672633849

• 以上为四线程测试基准
• 树莓派 4B 启用 bf16 优化，需使用 Raspberry Pi 64 位操作系统

QQ交流群：993965802

入群暗号：剪枝 或 蒸馏 或 量化 或 低秩分解（任选其一即可）

·模型动物园·

@v5lite-e:

@v5lite-s:

@v5lite-c:

@v5lite-g:

下载链接：

• v5lite-e.pt: | 百度网盘 | Google Drive |
  

|──────ncnn-fp16: | 百度网盘 | Google Drive |
|──────ncnn-int8: | 百度网盘 | Google Drive |
|──────mnn-e_bf16: | Google Drive |
|──────mnn-d_bf16: | Google Drive|
└──────onnx-fp32: | 百度网盘 | Google Drive |

• v5lite-s.pt: | 百度网盘 | Google Drive |
  

|──────ncnn-fp16: | 百度网盘 | Google Drive |
|──────ncnn-int8: | 百度网盘 | Google Drive |
└──────tengine-fp32: | 百度网盘 | Google Drive |

• v5lite-c.pt: 百度网盘 | Google Drive |
  

└──────openvino-fp16: | 百度网盘 | Google Drive |

• v5lite-g.pt: | 百度网盘 | Google Drive |
  

└──────axpi-int8: Google Drive |

百度网盘密码: pogg

v5lite-s 模型：TFLite Float32、Float16、INT8、动态范围量化、ONNX、TFJS、TensorRT、OpenVINO IR FP32/FP16、Myriad Inference Engin Blob、CoreML

https://github.com/PINTO0309/PINTO_model_zoo/tree/main/180_YOLOv5-Lite

感谢 PINTO0309:https://github.com/PINTO0309/PINTO_model_zoo/tree/main/180_YOLOv5-Lite

使用方法

$ git clone https://github.com/ppogg/YOLOv5-Lite
$ cd YOLOv5-Lite
$ pip install -r requirements.txt

$ python detect.py --source 0  # 网络摄像头
                            file.jpg  # 图片 
                            file.mp4  # 视频
                            path/  # 目录
                            path/*.jpg  # 全局匹配
                            'https://youtu.be/NUsoVlDFqZg'  # YouTube
                            'rtsp://example.com/media.mp4'  # RTSP、RTMP、HTTP 流

$ python train.py --data coco.yaml --cfg v5lite-e.yaml --weights v5lite-e.pt --batch-size 128
                                         v5lite-s.yaml           v5lite-s.pt              128
                                         v5lite-c.yaml           v5lite-c.pt               96
                                         v5lite-g.yaml           v5lite-g.pt               64

$ python -m torch.distributed.launch --nproc_per_node 2 train.py

train: ../coco/images/train2017/
val: ../coco/images/val2017/

├── images            # xx.jpg 示例
│   ├── train2017        
│   │   ├── 000001.jpg
│   │   ├── 000002.jpg
│   │   └── 000003.jpg
│   └── val2017         
│       ├── 100001.jpg
│       ├── 100002.jpg
│       └── 100003.jpg
└── labels             # xx.txt 示例      
    ├── train2017       
    │   ├── 000001.txt
    │   ├── 000002.txt
    │   └── 000003.txt
    └── val2017         
        ├── 100001.txt
        ├── 100002.txt
        └── 100003.txt

$ python main.py --type all

 @misc{yolov5lite2021,
  title = {YOLOv5-Lite: 轻量级、更快且更易部署},
  author = {Xiangrong Chen 和 Ziman Gong},
  doi = {10.5281/zenodo.5241425}
  year={2021}
}

YOLOv5-Lite 快速上手指南

YOLOv5-Lite 是专为轻量化、高速推理和易部署优化的目标检测模型。它通过引入 ShuffleNetV2、PPLcNet 等轻量骨干网络，移除 Focus 层等操作，显著降低了参数量和计算量，特别适合在树莓派、移动端及边缘设备上运行。

1. 环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux, Windows, macOS
• Python 版本：>= 3.6.0
• PyTorch 版本：>= 1.7
• 硬件建议：
  • 训练：推荐 NVIDIA GPU
  • 推理：支持 x86 CPU, ARM CPU (如树莓派), NPU 等多种后端

2. 安装步骤

克隆项目

使用以下命令将代码库克隆到本地。国内用户若访问 GitHub 较慢，可尝试使用镜像源或代理。

git clone https://github.com/ppogg/YOLOv5-Lite
cd YOLOv5-Lite

安装依赖

安装项目所需的 Python 依赖包。为确保下载速度，建议指定国内镜像源（如清华源或阿里源）。

# 使用默认源
pip install -r requirements.txt

# 推荐：使用清华镜像源加速安装
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

注意：requirements.txt 会自动安装对应版本的 PyTorch。如果您需要特定版本的 CUDA 支持，请先手动安装 PyTorch，再运行上述命令安装其他依赖。

3. 基本使用

快速推理 (Inference)

detect.py 脚本支持对图片、视频、摄像头及网络流进行推理。首次运行时会自动从 Release 页面下载预训练模型。

常用命令示例：

# 调用摄像头实时检测 (source 0)
python detect.py --source 0

# 检测单张图片
python detect.py --source file.jpg

# 检测视频文件
python detect.py --source file.mp4

# 检测文件夹下的所有图片
python detect.py --source path/

# 检测 YouTube 视频链接
python detect.py --source 'https://youtu.be/NUsoVlDFqZg'

# 检测 RTSP 流
python detect.py --source 'rtsp://example.com/media.mp4'

检测结果默认保存在 runs/detect 目录下。

模型训练 (Training)

如果您需要使用自定义数据集进行训练，可以使用 train.py。YOLOv5-Lite 提供了四种不同量级的模型配置 (e, s, c, g)。

单卡训练示例：

# 训练 v5lite-e 模型 (超轻量，适合 ARM CPU)
python train.py --data coco.yaml --cfg v5lite-e.yaml --weights v5lite-e.pt --batch-size 128

# 训练 v5lite-s 模型
python train.py --data coco.yaml --cfg v5lite-s.yaml --weights v5lite-s.pt --batch-size 128

# 训练 v5lite-c 模型 (适合 x86 CPU/VPU)
python train.py --data coco.yaml --cfg v5lite-c.yaml --weights v5lite-c.pt --batch-size 96

# 训练 v5lite-g 模型 (高精度，适合 GPU/NPU)
python train.py --data coco.yaml --cfg v5lite-g.yaml --weights v5lite-g.pt --batch-size 64

多卡加速训练： 如果您拥有多张 GPU，可以使用分布式训练加速：

# 使用 2 张 GPU 进行训练
python -m torch.distributed.launch --nproc_per_node 2 train.py --data coco.yaml --cfg v5lite-e.yaml --weights v5lite-e.pt

数据集格式

训练数据需遵循 YOLO 标准格式，目录结构如下：

dataset_root/
├── images
│   ├── train2017/      # 训练集图片 (.jpg)
│   └── val2017/        # 验证集图片 (.jpg)
└── labels
    ├── train2017/      # 训练集标签 (.txt)
    └── val2017/        # 验证集标签 (.txt)

配置文件 (coco.yaml 或自定义 yaml) 中需正确指向上述路径。