<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 du vortrainierte Modelle über PyTorch Hub lädst.
• TFLite, ONNX, CoreML, TensorRT Export 🚀: Erfahre, wie du dein Modell in verschiedene Formate exportierst.
• Test-Time Augmentation (TTA): Erforsche, wie du TTA einsetzt, um die Vorhersagegenauigkeit deines Modells zu verbessern.
• Model Ensembling: Lerne die Strategie der Kombination mehrerer Modelle für eine verbesserte Leistung.
• Model Pruning/Sparsity: Verstehe die Konzepte von Pruning und Sparsity und wie du ein effizienteres Modell erstellst.
• 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 ein effizientes Logging während deines Modelltrainings integrierst.
• YOLOv5 with Neural Magic: Entdecke, wie du Neural Magic's DeepSparse nutzt, um dein YOLOv5-Modell zu beschneiden (Pruning) und zu quantisieren.
• Comet Logging Integration 🌟 NEU: Erfahre, wie du Comet für ein verbessertes Training-Logging 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 Hoch-Genauigkeits-Objekterkennungsfunktionen. 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 mehrere Trainingstricks wie Test-Time Augmentation (TTA) und Model Ensembling sowie die Kompatibilität mit Exportformaten wie TFLite, ONNX, CoreML und TensorRT. Um tiefergehend zu erfahren, wie Ultralytics YOLOv5 dein Projekt verbessern kann, erkunde unseren TFLite, ONNX, CoreML, TensorRT Export-Guide.

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

Das Training eines benutzerdefinierten YOLOv5-Modells mit deinem Datensatz umfasst einige 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 ein ausführliches Tutorial zu diesem Prozess konsultiere unseren Train Custom Data-Guide. Er bietet Schritt-für-Schritt-Anleitungen, 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 aufgrund seiner überlegenen Geschwindigkeit und Genauigkeit bei der Echtzeit-Objekterkennung Modellen wie R-CNN vorgezogen. YOLOv5 verarbeitet das gesamte Bild in einem Durchgang, was es wesentlich schneller macht als den regionenbasierten Ansatz von RCNN, der mehrere Durchgänge erfordert. Darüber hinaus macht die nahtlose Integration von YOLOv5 in verschiedene Exportformate sowie die umfassende Dokumentation es zu einer hervorragenden Wahl für Anfänger und Profis. Erfahre mehr über die architektonischen Vorteile in unserer Architektur-Zusammenfassung.

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

Die Optimierung der YOLOv5-Modellleistung umfasst die Anpassung verschiedener Hyperparameter und die Einbeziehung 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 Guide für beste Trainingsergebnisse finden, der umsetzbare Einblicke für das Erreichen optimaler Leistung während des Trainings bietet.

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 schaue in unseren Abschnitt Unterstützte Umgebungen, der Schritt-für-Schritt-Anweisungen für jede Plattform enthält.