Umfassender Leitfaden zu Ultralytics YOLOv5#
Willkommen in der Dokumentation zu Ultralytics YOLOv5 🚀! Ultralytics YOLOv5, die fünfte Version des revolutionären Modells zur Objekterkennung „You Only Look Once“, wurde entwickelt, um in Echtzeit schnelle und präzise Ergebnisse zu liefern. YOLOv5 ist nach wie vor ein leistungsstarkes Werkzeug. Entdecke aber auch die Nachfolger Ultralytics YOLOv8, YOLO11 und YOLO26, um von den neuesten Entwicklungen zu profitieren.
Dieses leistungsstarke Framework für Deep Learning basiert auf PyTorch und erfreut sich großer Beliebtheit, da es vielseitig, einfach zu bedienen und leistungsstark ist. Unsere Dokumentation führt dich durch die Installation, erläutert die architektonischen Besonderheiten des Modells, stellt verschiedene Anwendungsfälle vor und bietet eine Reihe ausführlicher Tutorials. Mit diesen Ressourcen kannst du das volle Potenzial von YOLOv5 für deine Computer-Vision-Projekte ausschöpfen. Lass uns loslegen!
Entdecken und lernen#
Hier findest du eine Sammlung umfassender Tutorials, die dich durch verschiedene Aspekte von YOLOv5 führen.
- Benutzerdefinierte Daten trainieren 🚀 EMPFOHLEN: Hier erfährst du, wie du das YOLOv5-Modell mit deinem eigenen Datensatz trainierst.
- Tipps für optimale Trainingsergebnisse ☘️: Entdecke praktische Tipps, um deinen Modelltrainingsprozess zu optimieren.
- Training mit mehreren GPUs: Erfahre, wie du mehrere GPUs nutzt, um dein Training zu beschleunigen.
- PyTorch Hub: Hier erfährst du, wie du vortrainierte Modelle über PyTorch Hub lädst.
- TFLite-, ONNX-, CoreML- und TensorRT-Export 🚀: Hier erfährst du, wie du dein Modell in verschiedene Formate exportierst.
- Test-Time Augmentation (TTA): Entdecke, wie du TTA einsetzt, um die Vorhersagegenauigkeit deines Modells zu verbessern.
- Modell-Ensembling: Erfahre, wie du mehrere Modelle kombinierst, um die Leistung zu verbessern.
- Modell-Pruning und -Sparsität: Lerne die Konzepte von Pruning und Sparsität kennen und erfahre, wie du ein effizienteres Modell erstellst.
- Hyperparameter-Evolution: Entdecke, wie die automatisierte Hyperparameteroptimierung die Modellleistung verbessern kann.
- Transfer Learning mit eingefrorenen Layern: Erfahre, wie du Transfer Learning umsetzt, indem du Layer in YOLOv5 einfrierst.
- Architekturübersicht 🌟 Entdecke die strukturellen Details des YOLOv5-Modells. Weitere Einblicke findest du im Blogbeitrag zu YOLOv5 v6.0.
- Integration der ClearML-Protokollierung 🌟 Erfahre, wie du ClearML für eine effiziente Protokollierung während des Modelltrainings integrierst.
- YOLOv5 mit Neural Magic: Entdecke, wie du DeepSparse von Neural Magic nutzt, um dein YOLOv5-Modell zu bereinigen und zu quantisieren.
- Integration der Comet-Protokollierung: Erfahre, wie du Comet für eine verbesserte Protokollierung des Modelltrainings einsetzt.
Unterstützte Umgebungen#
Ultralytics bietet verschiedene sofort einsatzbereite Umgebungen, in denen wichtige Abhängigkeiten wie CUDA, CuDNN, Python und PyTorch bereits installiert sind, damit du direkt mit deinen Projekten loslegen kannst. Mit der Ultralytics Platform kannst du außerdem deine Modelle und Datensätze verwalten.
- Kostenlose GPU-Notebooks:
- Google Cloud: GCP-Schnellstartanleitung
- Amazon: AWS-Schnellstartanleitung
- Azure: AzureML-Schnellstartanleitung
- Docker: Docker-Schnellstartanleitung
Projektstatus#
Dieses Badge zeigt an, dass alle GitHub-Actions von YOLOv5 für die kontinuierliche Integration (CI) erfolgreich durchlaufen. Diese CI-Tests prüfen gründlich die Funktionalität und Leistung von YOLOv5 in verschiedenen wichtigen Bereichen: Training, Validierung, Inferenz, Export und Benchmarks. Sie gewährleisten einen konsistenten und zuverlässigen Betrieb unter macOS, Windows und Ubuntu. Die Tests werden alle 24 Stunden sowie bei jedem neuen Commit ausgeführt.
Vernetze dich und trage bei#
Dein Weg mit YOLOv5 muss kein einsamer sein. Werde Teil unserer aktiven Community auf GitHub, vernetze dich mit Fachleuten auf LinkedIn, teile deine Ergebnisse auf Twitter und finde Lernmaterialien auf YouTube. Folge uns auf TikTok und BiliBili, um weitere interessante Inhalte zu entdecken.
Möchtest du etwas beitragen? Beiträge aller Art sind willkommen – von Codeverbesserungen und Fehlerberichten bis hin zu Aktualisierungen der Dokumentation. Weitere Informationen findest du in unseren Richtlinien für Beiträge.
Wir sind gespannt, auf welche innovativen Arten du YOLOv5 einsetzen wirst. Leg los, experimentiere und revolutioniere deine Computer-Vision-Projekte! 🚀
Häufig gestellte Fragen#
Ultralytics YOLOv5 ist für seine hohe Geschwindigkeit und die präzise Objekterkennung bekannt. Das auf PyTorch basierende Modell ist vielseitig und benutzerfreundlich und eignet sich für vielfältige Computer-Vision-Projekte. Zu den wichtigsten Funktionen gehören Echtzeit-Inferenz, Unterstützung für Inferenztechniken wie Test-Time Augmentation (TTA) und Modell-Ensembling sowie Kompatibilität mit Exportformaten wie TFLite, ONNX, CoreML und TensorRT. Erfahre in unserer Anleitung zum Export in TFLite, ONNX, CoreML und TensorRT mehr darüber, wie Ultralytics YOLOv5 dein Projekt voranbringen kann.
Das Training eines benutzerdefinierten YOLOv5-Modells mit deinem Datensatz umfasst einige wichtige Schritte. Bereite zunächst deinen Datensatz im erforderlichen Format mit annotierten Labels vor. Konfiguriere anschließend die YOLOv5-Trainingsparameter und starte das Training mit dem Skript
train.py. Eine ausführliche Anleitung zu diesem Prozess findest du in unserem Leitfaden zum Training mit benutzerdefinierten Daten. Er enthält Schritt-für-Schritt-Anweisungen, mit denen du optimale Ergebnisse für deinen konkreten Anwendungsfall erzielst.Ultralytics YOLOv5 wird Modellen wie R-CNN vorgezogen, weil es bei der Objekterkennung in Echtzeit eine höhere Geschwindigkeit und Genauigkeit bietet. YOLOv5 verarbeitet das gesamte Bild in einem Durchgang und ist dadurch deutlich schneller als der regionenbasierte Ansatz von RCNN, bei dem mehrere Durchläufe erforderlich sind. Dank der nahtlosen Integration mit verschiedenen Exportformaten und der umfangreichen Dokumentation ist YOLOv5 außerdem eine ausgezeichnete Wahl für Einsteiger und Fachleute. Weitere Informationen zu den architektonischen Vorteilen findest du in unserer Architekturübersicht.
Zur Optimierung der Leistung des YOLOv5-Modells müssen verschiedene Hyperparameter angepasst und Techniken wie Datenaugmentation und Transfer Learning eingesetzt werden. Ultralytics bietet umfassende Ressourcen zu Hyperparameter-Evolution und Pruning und Sparsität, um die Modelleffizienz zu verbessern. Praktische Tipps findest du in unserem Leitfaden Tipps für optimale Trainingsergebnisse, der konkrete Empfehlungen für eine optimale Leistung während des Trainings enthält.
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. Für eine bequeme Einrichtung stehen auch Docker-Images zur Verfügung. Eine ausführliche Anleitung zur Einrichtung dieser Umgebungen findest du im Abschnitt Unterstützte Umgebungen. Dort gibt es Schritt-für-Schritt-Anweisungen für jede Plattform.