运行顺序：第一步 原始训练，得到一个最优mAP等评价指标，记录在小本本上。 第二步：通过调整BN稀疏值（main 参数中的sr），运行train_sparity.py稀疏训练得到一个稍微小一点点的模型（和原始的精度比较，看看哪个稀疏值最好~） 第三步：将上一步的训练好的last.pt 放到prune.py 中进行剪枝，控制剪枝率；剪枝好的模型，在根目录下：pruned_model.pt 是fp32的，你除以2会得到最后的模型大小 第四步：Finetune，用刚刚的pruned模型重新训练，得到最优模型，就是最小且最快，且最好的啦~（和原始和稀疏训练的比较一下哦） 博文链接：https://blog.csdn.net/qq_46098574/article/details/125174256

yolov5移植到ios运行测试例子， 亲测有效。

数据结构特点如下： data --test/images --test/labels --train/images --train/labels --val/images --val/labels

该工程把yolov5与deepsort相结合，将yolov5算法识别出的目标进行唯一标记，适用于对视频中的移动目标进行实时的识别与追踪，使用opencv库中的算法进行撞线检测和计数，用户可以根据自己的需要更改相应的代码部分来满足实际开发过程中的不同需求，不用下载额外的资源包，直接使用yolov5的虚拟环境即可将本项目run起来，十分的好用

yolov5单目相机测距源码

目标追踪篇---Yolov5_DeepSort_Pytorch复现 源代码修改可用，具体过程可看我的博客 https://blog.csdn.net/m0_46825740/article/details/121973155 修改后可以训练自己的数据，比较实用

YOLOv5四种对应的模型，YOLOv5s，YOLOv5m，YOLOv5l，YOLOv5x，如果官网下载速度太慢，可以在这里进行下载，下载好后放入weights文件夹中，即可使用。

yolov5 fastapi

melodic中使用yolov5检测，并发布处理完成的数据。

tensorrt加速yolov5