Umfassender Leitfaden zu Ultralytics YOLOv5#
Willkommen zur Ultralytics YOLOv5🚀 Dokumentation! Ultralytics YOLOv5, die fünfte Iteration des revolutionären „You Only Look Once“ object detection-Modells, wurde entwickelt, um High-Speed- und High-Accuracy-Ergebnisse in Echtzeit zu liefern. Während YOLOv5 ein leistungsstarkes Werkzeug bleibt, solltest du die Nachfolgemodelle Ultralytics YOLOv8, YOLO11 und YOLO26 für die neuesten Weiterentwicklungen in Betracht ziehen.
Dieses leistungsstarke deep learning-Framework baut auf PyTorch auf und erfreut sich aufgrund seiner Vielseitigkeit, Benutzerfreundlichkeit und hohen Leistung großer Beliebtheit. Unsere Dokumentation führt dich durch den Installationsprozess, erklärt die architektonischen Nuancen des Modells, zeigt verschiedene Anwendungsfälle und bietet eine Reihe detaillierter Tutorials. Diese Ressourcen helfen dir dabei, das volle Potenzial von YOLOv5 für deine computer vision-Projekte auszuschöpfen. Fangen wir an!
Entdecken und Lernen#
Hier ist eine Zusammenstellung umfassender Tutorials, die dich durch verschiedene Aspekte von YOLOv5 führen.
- Train Custom Data 🚀 EMPFOHLEN: Erfahre, wie du das YOLOv5-Modell mit deinem eigenen Datensatz trainierst.
- Tips for Best Training Results ☘️: Entdecke praktische Tipps zur Optimierung deines Modelltrainingsexperiments.
- Multi-GPU Training: Erfahre, wie du mehrere GPUs nutzt, um dein Training zu beschleunigen.
- PyTorch Hub 🌟 NEU: Lerne, vortrainierte Modelle über PyTorch Hub zu laden.
- TFLite, ONNX, CoreML, TensorRT Export 🚀: Verstehe, wie du dein Modell in verschiedene Formate exportierst.
- Test-Time Augmentation (TTA): Erforsche, wie du TTA nutzen kannst, um die Vorhersagegenauigkeit deines Modells zu verbessern.
- Model Ensembling: Lerne die Strategie der Kombination mehrerer Modelle für eine bessere Leistung kennen.
- Model Pruning/Sparsity: Verstehe Konzepte zu Pruning und Sparsity und wie du ein effizienteres Modell erstellen kannst.
- Hyperparameter Evolution: Entdecke den Prozess des automatisierten hyperparameter tuning für eine bessere Modellleistung.
- Transfer Learning with Frozen Layers: Erfahre, wie du transfer learning implementierst, indem du Layer in YOLOv5 einfrierst.
- Architecture Summary 🌟 Tauche ein in die strukturellen Details des YOLOv5-Modells. Lies den YOLOv5 v6.0 blog post für weitere Einblicke.
- ClearML Logging Integration 🌟 Erfahre, wie du ClearML für effizientes Logging während des Modelltrainings integrierst.
- YOLOv5 with Neural Magic: Entdecke, wie du Neural Magic's DeepSparse verwendest, um dein YOLOv5-Modell zu prunen und zu quantisieren.
- Comet Logging Integration 🌟 NEU: Erforsche, wie du Comet für ein verbessertes Logging beim Modelltraining nutzt.
Unterstützte Umgebungen#
Ultralytics bietet eine Reihe sofort einsatzbereiter Umgebungen, die jeweils mit essenziellen Abhängigkeiten wie CUDA, CuDNN, Python und PyTorch vorinstalliert sind, um deine Projekte zu starten. Du kannst deine Modelle und Datensätze auch über die Ultralytics Platform verwalten.
- Free GPU Notebooks:
- Google Cloud: GCP-Schnellstartanleitung
- Amazon: AWS-Schnellstartanleitung
- Azure: AzureML-Schnellstartanleitung
- Docker: Docker Quickstart Guide
Projektstatus#
Dieses Badge zeigt an, dass alle Continuous Integration (CI)-Tests von YOLOv5 GitHub Actions erfolgreich bestanden wurden. Diese CI-Tests überprüfen streng die Funktionalität und Leistung von YOLOv5 in verschiedenen Schlüsselbereichen: Training, Validierung, Inferenz, Export und Benchmarks. Sie gewährleisten einen konsistenten und zuverlässigen Betrieb unter macOS, Windows und Ubuntu, wobei alle 24 Stunden und bei jedem neuen Commit Tests durchgeführt werden.
Verbinden und Mitwirken#
Dein Weg mit YOLOv5 muss kein einsamer sein. Trete unserer lebendigen Community auf GitHub bei, vernetze dich mit Fachleuten auf LinkedIn, teile deine Ergebnisse auf Twitter und finde Bildungsressourcen auf YouTube. Folge uns auf TikTok und BiliBili für weitere spannende Inhalte.
Möchtest du einen Beitrag leisten? Wir freuen uns über Beiträge jeder Art, von Code-Verbesserungen und Bug-Reports bis hin zu Dokumentations-Updates. Schau dir unsere contributing guidelines für weitere Informationen an.
Wir sind gespannt auf die innovativen Wege, wie du YOLOv5 einsetzen wirst. Tauche ein, experimentiere und revolutioniere deine Computer Vision Projekte! 🚀
FAQ#
Ultralytics YOLOv5 ist bekannt für seine High-Speed- und High-accuracy-Objekterkennungsfunktionen. Es baut auf PyTorch auf, ist vielseitig und benutzerfreundlich, wodurch es sich für verschiedene computer vision-Projekte eignet. Zu den Hauptmerkmalen gehören Echtzeit-Inferenz, Unterstützung für diverse Trainings-Tricks wie Test-Time Augmentation (TTA) und Model Ensembling sowie Kompatibilität mit Exportformaten wie TFLite, ONNX, CoreML und TensorRT. Um tiefer einzutauchen, wie Ultralytics YOLOv5 dein Projekt voranbringen kann, erkunde unseren TFLite, ONNX, CoreML, TensorRT Export guide.
Das Training eines benutzerdefinierten YOLOv5-Modells mit deinem Datensatz umfasst einige wichtige Schritte. Bereite zunächst deinen Datensatz im erforderlichen Format vor, der mit Labels annotiert ist. Konfiguriere dann die YOLOv5-Trainingsparameter und starte den Trainingsprozess über das
train.py-Skript. Für ein ausführliches Tutorial zu diesem Prozess ziehe unseren Train Custom Data guide heran. Dieser bietet Schritt-für-Schritt-Anleitungen, um optimale Ergebnisse für deinen spezifischen Anwendungsfall sicherzustellen.Ultralytics YOLOv5 wird Modellen wie R-CNN aufgrund seiner überlegenen Geschwindigkeit und Genauigkeit bei der Echtzeit-Objekterkennung vorgezogen. YOLOv5 verarbeitet das gesamte Bild in einem Durchgang, was es im Vergleich zum regionsbasierten Ansatz von RCNN, der mehrere Durchgänge erfordert, wesentlich schneller macht. Darüber hinaus machen die nahtlose Integration von YOLOv5 mit verschiedenen Exportformaten und die umfangreiche Dokumentation es zu einer ausgezeichneten Wahl für Anfänger und Profis gleichermaßen. Erfahre mehr über die architektonischen Vorteile in unserer Architecture Summary.
Die Optimierung der YOLOv5-Modellleistung umfasst das Tuning verschiedener Hyperparameter und die Einbindung von Techniken wie data augmentation und Transfer Learning. Ultralytics bietet umfassende Ressourcen zu hyperparameter evolution und pruning/sparsity, um die Modelleffizienz zu verbessern. Du kannst praktische Tipps in unserem Tips for Best Training Results guide entdecken, der umsetzbare Einblicke zur Erzielung optimaler Leistung während des Trainings bietet.
Ultralytics YOLOv5 unterstützt eine Vielzahl von Umgebungen, darunter kostenlose GPU-Notebooks auf Gradient, Google Colab und Kaggle sowie wichtige Cloud-Plattformen wie Google Cloud, Amazon AWS und Azure. Docker images stehen ebenfalls für eine bequeme Einrichtung zur Verfügung. Eine detaillierte Anleitung zum Einrichten dieser Umgebungen findest du in unserem Abschnitt Supported Environments, der Schritt-für-Schritt-Anweisungen für jede Plattform enthält.