PyTorch版的YOLOv5是轻量而高性能的实时目标检测方法。利用YOLOv5训练完自己的数据集后，如何向大众展示并提供落地的服务呢？  本课程将提供相应的解决方案，具体讲述如何使用Web应用程序框架Flask进行YOLOv5的Web应用部署。用户可通过客户端浏览器上传图片，经服务器处理后返回图片检测数据并在浏览器中绘制检测结果。  本课程的YOLOv5使用ultralytics/yolov5，在Ubuntu系统上做项目演示，并提供在Windows系统上的部署方式文档。 本项目采取前后端分离的系统架构和开发方式，减少前后端的耦合。课程包括：YOLOv5的安装、 Flask的安装、YOLOv5的检测API接口python代码、 Flask的服务程序的python代码、前端html代码、CSS代码、Javascript代码、系统部署演示、生产系统部署建议等。 本人推出了有关YOLOv5目标检测的系列课程。请持续关注该系列的其它视频课程，包括： 《YOLOv5(PyTorch)目标检测实战：训练自己的数据集》 Ubuntu系统 https://edu.csdn.net/course

rotation-yolov5-master.zip

用yolov5训练的火焰烟雾检测

约洛夫5 来自原始代码。 我修改了yololayer并集成了批处理的NMSPlugin。 提供了yolov5s.wts可以进行快速演示。 如何生成.wts可以参考 。 如何运行，以yolov5s为例 建立并运行 mkdir build cd build cmake .. make sudo ./yolov5 -s // serialize model to plan file i.e. 'yolov5s.engine' sudo ./yolov5 -d ../samples // deserialize plan file and run inference, the images in samples will be processed. 检查生成的图像，如下所示。 _zidane.jpg和_bus.jpg 运行Python示例，请安装Python ten

yolov5-face 对齐人脸，yolov5-face 人脸检测，检测5个关键点，并对齐转正。 入库：detect_align.py

详细请看博客： reid模型为fast-reid框架训练，resnet101蒸馏出来的resnet34，因为模型保存了FC层和优化器等参数所以很大，去除这些只保留resnet34的话模型30多MB，整个流程在2070GPU下能达到实时效果 reid模型：链接: 提取码: j4ce

tensorrtx-yolov5 V4版本 - yolov5s成功

tensorrtx-yolov5--成功编译的CMakeLists

约洛夫5Wpf 使用ML.NET部署YOLOV5的ONNX模型

使用TensorRT来加速部署YOLOv5项目，此文档中包含全部 软件及依赖库 在Win10系统上完成，需要用到的软件与依赖包有：cuda 10.2 , cudnn 7.6.5 , VS2019 , OpenCV 3.4.0 , Anaconda3 , CMake 3.19.4 , TensorRT 7 安装使用使用教程：https://blog.csdn.net/weixin_39588099/article/details/119994675?spm=1001.2014.3001.5502