Umfassender Leitfaden zu Ultralytics YOLOv5
Willkommen bei der Ultralytics YOLOv5🚀-Dokumentation! Ultralytics YOLOv5, die fünfte Iteration des revolutionären "You Only Look Once" Objekterkennungsmodells, wurde entwickelt, um hochgeschwindigkeits- und hochpräzise Ergebnisse in Echtzeit zu liefern. Während YOLOv5 ein leistungsstarkes Werkzeug bleibt, sollten Sie seinen Nachfolger, Ultralytics YOLOv8, für die neuesten Fortschritte in Betracht ziehen.
Aufbauend auf PyTorch hat dieses leistungsstarke Deep-Learning-Framework aufgrund seiner Vielseitigkeit, Benutzerfreundlichkeit und hohen Leistung immense Popularität erlangt. Unsere Dokumentation führt Sie durch den Installationsprozess, erläutert die architektonischen Nuancen des Modells, zeigt verschiedene Anwendungsfälle auf und bietet eine Reihe detaillierter Tutorials. Diese Ressourcen helfen Ihnen, das volle Potenzial von YOLOv5 für Ihre Computer Vision-Projekte auszuschöpfen. Los geht's!
Erkunden und Lernen
Hier ist eine Zusammenstellung umfassender Tutorials, die Sie durch verschiedene Aspekte von YOLOv5 führen.
- Benutzerdefinierte Daten trainieren 🚀 EMPFOHLEN: Erfahren Sie, wie Sie das YOLOv5-Modell mit Ihrem eigenen Datensatz trainieren.
- Tipps für beste Trainingsergebnisse ☘️: Entdecken Sie praktische Tipps zur Optimierung Ihres Modelltrainingsprozesses.
- Multi-GPU-Training: Verstehen Sie, wie Sie mehrere GPUs nutzen können, um Ihr Training zu beschleunigen.
- PyTorch Hub 🌟 NEU: Erfahren Sie, wie Sie vortrainierte Modelle über PyTorch Hub laden.
- TFLite, ONNX, CoreML, TensorRT Export 🚀: Verstehen Sie, wie Sie Ihr Modell in verschiedene Formate exportieren können.
- Testzeit-Augmentierung (TTA): Erfahren Sie, wie Sie TTA verwenden können, um die Vorhersagegenauigkeit Ihres Modells zu verbessern.
- Model Ensembling: Lernen Sie die Strategie der Kombination mehrerer Modelle zur Verbesserung der Performance kennen.
- Model Pruning/Sparsity: Verstehen Sie die Konzepte Pruning und Sparsity und wie Sie ein effizienteres Modell erstellen können.
- Hyperparameter-Evolution: Entdecken Sie den Prozess der automatisierten Hyperparameter-Optimierung für eine bessere Modell-Performance.
- Transfer Learning mit fixierten Schichten: Erfahren Sie, wie Sie Transfer Learning implementieren, indem Sie Schichten in YOLOv5 fixieren.
- Architekturübersicht 🌟 Vertiefen Sie sich in die strukturellen Details des YOLOv5-Modells. Lesen Sie den YOLOv5 v6.0 Blog-Post für weitere Einblicke.
- ClearML Logging Integration 🌟 Erfahren Sie, wie Sie ClearML für eine effiziente Protokollierung während Ihres Modelltrainings integrieren können.
- YOLOv5 with Neural Magic Entdecken Sie, wie Sie Neural Magic's DeepSparse verwenden können, um Ihr YOLOv5-Modell zu beschneiden und zu quantisieren.
- Comet Logging Integration 🌟 NEU: Entdecken Sie, wie Sie Comet für eine verbesserte Protokollierung des Modelltrainings nutzen können.
Unterstützte Umgebungen
Ultralytics bietet eine Reihe von sofort einsatzbereiten Umgebungen, die jeweils mit wesentlichen Abhängigkeiten wie CUDA, CuDNN, Python und PyTorch vorinstalliert sind, um Ihre Projekte zu starten. Sie können Ihre Modelle und Datensätze auch mit Ultralytics HUB verwalten.
- Kostenlose GPU Notebooks:
- Google Cloud: GCP Quickstart-Anleitung
- Amazon: AWS Quickstart-Anleitung
- Azure: AzureML Quickstart-Anleitung
- Docker: Docker Quickstart-Anleitung
Projektstatus
Dieses Badge zeigt an, dass alle YOLOv5 GitHub Actions Continuous Integration (CI)-Tests erfolgreich bestanden wurden. Diese CI-Tests überprüfen rigoros 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 die Tests alle 24 Stunden und bei jedem neuen Commit durchgeführt werden.
Verbinden und Mitwirken
Ihre Reise mit YOLOv5 muss keine einsame sein. Treten Sie unserer lebendigen Community auf GitHub bei, vernetzen Sie sich mit Fachleuten auf LinkedIn, teilen Sie Ihre Ergebnisse auf Twitter und finden Sie Bildungsressourcen auf YouTube. Folgen Sie uns auf TikTok und BiliBili für weitere spannende Inhalte.
Möchten Sie mitwirken? Wir freuen uns über Beiträge aller Art, von Code-Verbesserungen und Fehlerberichten bis hin zu Aktualisierungen der Dokumentation. Weitere Informationen finden Sie in unseren Richtlinien für Mitwirkende.
Wir sind gespannt auf die innovativen Einsatzmöglichkeiten von YOLOv5. Tauchen Sie ein, experimentieren Sie und revolutionieren Sie Ihre Computer-Vision-Projekte! 🚀
FAQ
Was sind die Hauptmerkmale von Ultralytics YOLOv5?
Ultralytics YOLOv5 ist bekannt für seine High-Speed- und High-Accuracy-Objekterkennungsfunktionen. Es basiert auf PyTorch, ist vielseitig und benutzerfreundlich, wodurch es sich für verschiedene Computer-Vision-Projekte eignet. Zu den wichtigsten Funktionen gehören Echtzeit-Inferenz, Unterstützung für mehrere Trainingstricks wie Test-Time Augmentation (TTA) und Model Ensembling sowie Kompatibilität mit Exportformaten wie TFLite, ONNX, CoreML und TensorRT. Um tiefer in die Möglichkeiten von Ultralytics YOLOv5 zur Verbesserung Ihres Projekts einzutauchen, erkunden Sie unseren TFLite, ONNX, CoreML, TensorRT Export-Leitfaden.
Wie kann ich ein benutzerdefiniertes YOLOv5-Modell auf meinem Datensatz trainieren?
Das Trainieren eines benutzerdefinierten YOLOv5-Modells auf Ihrem Datensatz umfasst einige wichtige Schritte. Bereiten Sie zunächst Ihren Datensatz im erforderlichen Format vor, der mit Labels versehen ist. Konfigurieren Sie dann die YOLOv5-Trainingsparameter und starten Sie den Trainingsprozess mit dem train.py Skript. Ein ausführliches Tutorial zu diesem Prozess finden Sie in unserem Anleitung zum Trainieren benutzerdefinierter Daten. Es bietet Schritt-für-Schritt-Anleitungen, um optimale Ergebnisse für Ihren spezifischen Anwendungsfall zu gewährleisten.
Warum sollte ich Ultralytics YOLOv5 gegenüber anderen Objekterkennungsmodellen wie RCNN verwenden?
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, wodurch es im Vergleich zum regionenbasierten Ansatz von RCNN, der mehrere Durchgänge erfordert, deutlich schneller ist. Darüber hinaus machen die nahtlose Integration von YOLOv5 mit verschiedenen Exportformaten und die umfangreiche Dokumentation es zu einer ausgezeichneten Wahl für Anfänger und Profis. Erfahren Sie mehr über die architektonischen Vorteile in unserer Architekturübersicht.
Wie kann ich die YOLOv5-Modellleistung während des Trainings optimieren?
Die Optimierung der YOLOv5-Modellleistung umfasst die Feinabstimmung verschiedener Hyperparameter und die Einbeziehung von Techniken wie Datenerweiterung und Transferlernen. Ultralytics bietet umfassende Ressourcen zur Hyperparameter-Evolution und zum Pruning/Sparsity, um die Modelleffizienz zu verbessern. Praktische Tipps findest du in unserem Leitfaden mit Tipps für beste Trainingsergebnisse, der umsetzbare Erkenntnisse bietet, um während des Trainings eine optimale Leistung zu erzielen.
Welche Umgebungen werden für die Ausführung von YOLOv5-Anwendungen unterstützt?
Ultralytics YOLOv5 unterstützt eine Vielzahl von Umgebungen, darunter kostenlose 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. Eine detaillierte Anleitung zur Einrichtung dieser Umgebungen finden Sie in unserem Abschnitt Unterstützte Umgebungen, der Schritt-für-Schritt-Anleitungen für jede Plattform enthält.
