<a href="https://github.com/ultralytics/ultralytics/actions/workflows/ci.yml"><img src="https://github.com/ultralytics/ultralytics/actions/workflows/ci.yml/badge.svg" alt="Ultralytics CI"></a>
<a href="https://clickpy.clickhouse.com/dashboard/ultralytics"><img src="https://static.pepy.tech/badge/ultralytics" alt="Ultralytics Downloads"></a>
<a href="https://discord.com/invite/ultralytics"><img alt="Ultralytics Discord" src="https://img.shields.io/discord/1089800235347353640?logo=discord&logoColor=white&label=Discord&color=blue"></a>
<a href="https://community.ultralytics.com/"><img alt="Ultralytics Forums" src="https://img.shields.io/discourse/users?server=https%3A%2F%2Fcommunity.ultralytics.com&logo=discourse&label=Forums&color=blue"></a>
<a href="https://www.reddit.com/r/ultralytics/"><img alt="Ultralytics Reddit" src="https://img.shields.io/reddit/subreddit-subscribers/ultralytics?style=flat&logo=reddit&logoColor=white&label=Reddit&color=blue"></a>
<br>
<a href="https://console.paperspace.com/github/ultralytics/ultralytics"><img src="https://assets.paperspace.io/img/gradient-badge.svg" alt="Run Ultralytics on Gradient"></a>
<a href="https://colab.research.google.com/github/ultralytics/ultralytics/blob/main/examples/tutorial.ipynb"><img src="https://colab.research.google.com/assets/colab-badge.svg" alt="Open Ultralytics In Colab"></a>
<a href="https://www.kaggle.com/models/ultralytics/yolo26"><img src="https://kaggle.com/static/images/open-in-kaggle.svg" alt="Open Ultralytics In Kaggle"></a>
<a href="https://mybinder.org/v2/gh/ultralytics/ultralytics/HEAD?labpath=examples%2Ftutorial.ipynb"><img src="https://mybinder.org/badge_logo.svg" alt="Open Ultralytics In Binder"></a>

Link to this sectionUmfassender Leitfaden zu Ultralytics YOLOv5#

Willkommen in der YOLOv5🚀 Dokumentation von Ultralytics! Ultralytics YOLOv5, die fünfte Iteration des revolutionären "You Only Look Once" Objekterkennungs-Modells, wurde entwickelt, um hochpräzise Ergebnisse in Echtzeit zu liefern. Während YOLOv5 ein leistungsstarkes Werkzeug bleibt, solltest du auch die Nachfolgemodelle Ultralytics YOLOv8, YOLO11 und YOLO26 für die neuesten Fortschritte in Betracht ziehen.

Built on PyTorch, this powerful deep learning framework has garnered immense popularity for its versatility, ease of use, and high performance. Our documentation guides you through the installation process, explains the architectural nuances of the model, showcases various use cases, and provides a series of detailed tutorials. These resources will help you harness the full potential of YOLOv5 for your computer vision projects. Let's get started!

Link to this sectionEntdecken und Lernen#

Hier ist eine Zusammenstellung umfassender Tutorials, die dich durch verschiedene Aspekte von YOLOv5 führen.

• Train Custom Data 🚀 EMPFOHLEN: Lerne, wie du das YOLOv5 Modell mit deinem eigenen Datensatz trainierst.
• Tips for Best Training Results ☘️: Entdecke praktische Tipps zur Optimierung deines Modell-Trainingsprozesses.
• Multi-GPU Training: Verstehe, wie du mehrere GPUs nutzen kannst, um dein Training zu beschleunigen.
• PyTorch Hub 🌟 NEU: Lerne, wie man vortrainierte Modelle über PyTorch Hub lädt.
• TFLite, ONNX, CoreML, TensorRT Export 🚀: Verstehe, wie du dein Modell in verschiedene Formate exportierst.
• Test-Time Augmentation (TTA): Entdecke, wie du TTA nutzt, um die Vorhersagegenauigkeit deines Modells zu verbessern.
• Model Ensembling: Lerne die Strategie, mehrere Modelle für eine verbesserte Leistung zu kombinieren.
• Model Pruning/Sparsity: Verstehe Konzepte zu Pruning und Sparsity und wie man ein effizienteres Modell erstellt.
• Hyperparameter Evolution: Entdecke den Prozess der automatisierten Hyperparameter-Optimierung für eine bessere Modellleistung.
• Transfer Learning with Frozen Layers: Lerne, wie du Transfer Learning durch das Einfrieren von Schichten in YOLOv5 implementierst.
• Architecture Summary 🌟 Tauche ein in die strukturellen Details des YOLOv5 Modells. Lies den YOLOv5 v6.0 Blogbeitrag für weitere Einblicke.
• ClearML Logging Integration 🌟 Lerne, wie du ClearML für effizientes Logging während des Modell-Trainings integrierst.
• YOLOv5 with Neural Magic: Entdecke, wie du Neural Magic's DeepSparse nutzt, um dein YOLOv5 Modell zu beschneiden und zu quantisieren.
• Comet Logging Integration 🌟 NEU: Erfahre, wie du Comet für ein verbessertes Logging beim Modell-Training nutzt.

Link to this sectionUnterstützte Umgebungen#

Ultralytics bietet eine Reihe gebrauchsfertiger Umgebungen, die jeweils mit wesentlichen 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.

• Kostenlose GPU-Notebooks:
• Google Cloud: GCP Quickstart Guide
• Amazon: AWS Quickstart Guide
• Azure: AzureML Quickstart Guide
• Docker: Docker Quickstart Guide

Link to this sectionProjektstatus#

Dieses Badge zeigt an, dass alle YOLOv5 GitHub Actions Continuous Integration (CI)-Tests erfolgreich sind. Diese CI-Tests überprüfen rigoros die Funktionalität und Leistung von YOLOv5 in verschiedenen wichtigen Aspekten: Training, Validierung, Inferenz, Export und Benchmarks. Sie gewährleisten einen konsistenten und zuverlässigen Betrieb unter macOS, Windows und Ubuntu, wobei die Tests alle 24 Stunden und bei jedem neuen Commit durchgeführt werden.

Link to this sectionVerbinden und Mitwirken#

Deine Reise mit YOLOv5 muss kein Alleingang sein. Tritt 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 ansprechende Inhalte.

Interessiert am Mitwirken? Wir begrüßen Beiträge aller Art, von Code-Verbesserungen und Fehlerberichten bis hin zu Dokumentations-Updates. Schau dir unsere Mitwirkungsrichtlinien 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! 🚀

Link to this sectionFAQ#

Link to this sectionWas sind die Hauptmerkmale von Ultralytics YOLOv5?#

Ultralytics YOLOv5 ist bekannt für seine Hochgeschwindigkeits- und hochpräzisen Objekterkennungs-Fähigkeiten. Basierend auf PyTorch ist es vielseitig und benutzerfreundlich, was es für verschiedene Computer Vision Projekte geeignet macht. Zu den Hauptmerkmalen gehören Echtzeit-Inferenz, Unterstützung für verschiedene Trainings-Tricks wie Test-Time Augmentation (TTA) und Modell-Ensembling sowie Kompatibilität mit Exportformaten wie TFLite, ONNX, CoreML und TensorRT. Um tiefer zu verstehen, wie Ultralytics YOLOv5 dein Projekt verbessern kann, erkunde unseren Leitfaden zum Export in TFLite, ONNX, CoreML und TensorRT.

Link to this sectionWie kann ich ein benutzerdefiniertes YOLOv5 Modell auf meinem Datensatz trainieren?#

Das Trainieren eines benutzerdefinierten YOLOv5 Modells auf deinem Datensatz erfordert ein paar wichtige Schritte. Bereite zuerst deinen Datensatz im erforderlichen Format vor, annotiert mit Labels. Konfiguriere dann die YOLOv5 Trainingsparameter und starte den Trainingsprozess mit dem train.py Skript. Für eine ausführliche Anleitung zu diesem Prozess, konsultiere unseren Leitfaden zum Trainieren mit benutzerdefinierten Daten. Er bietet Schritt-für-Schritt-Anweisungen, um optimale Ergebnisse für deinen spezifischen Anwendungsfall zu gewährleisten.

Link to this sectionWarum sollte ich Ultralytics YOLOv5 anderen Objekterkennungsmodellen wie RCNN vorziehen?#

Ultralytics YOLOv5 wird Modellen wie R-CNN aufgrund seiner überlegenen Geschwindigkeit und Genauigkeit bei der Objekterkennung in Echtzeit vorgezogen. YOLOv5 verarbeitet das gesamte Bild in einem Durchgang, was es deutlich schneller macht als den regionenbasierten Ansatz von RCNN, der mehrere Durchgänge erfordert. Darüber hinaus macht die nahtlose Integration von YOLOv5 in verschiedene Exportformate und die umfassende Dokumentation es zu einer hervorragenden Wahl für Anfänger und Profis. Erfahre mehr über die architektonischen Vorteile in unserer Architekturzusammenfassung.

Link to this sectionWie kann ich die Leistung des YOLOv5 Modells während des Trainings optimieren?#

Die Optimierung der Leistung des YOLOv5 Modells beinhaltet das Einstellen verschiedener Hyperparameter und die Einbeziehung von Techniken wie Datenerweiterung und Transfer Learning. Ultralytics bietet umfassende Ressourcen zu Hyperparameter-Evolution und Pruning/Sparsity, um die Modelleffizienz zu verbessern. Du findest praktische Tipps in unserem Leitfaden für beste Trainingsergebnisse, der umsetzbare Erkenntnisse bietet, um eine optimale Leistung während des Trainings zu erzielen.

Link to this sectionWelche Umgebungen werden für die Ausführung von YOLOv5 Anwendungen unterstützt?#

Ultralytics YOLOv5 unterstützt eine Vielzahl von Umgebungen, einschließlich kostenloser GPU-Notebooks auf Gradient, Google Colab und Kaggle sowie große Cloud-Plattformen wie Google Cloud, Amazon AWS und Azure. Docker Images sind ebenfalls für eine bequeme Einrichtung verfügbar. Für eine detaillierte Anleitung zur Einrichtung dieser Umgebungen schau dir unseren Abschnitt Unterstützte Umgebungen an, der Schritt-für-Schritt-Anleitungen für jede Plattform enthält.