<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>

Umfassender Leitfaden zu Ultralytics YOLOv5

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

Erkunden und Lernen

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

• Eigene Daten trainieren 🚀 EMPFOHLEN: Lerne, wie du das YOLOv5-Modell mit deinem eigenen Datensatz trainierst.
• Tipps für beste Trainingsergebnisse ☘️: Entdecke praktische Tipps zur Optimierung deines Modelltrainingsprozesses.
• Multi-GPU-Training: Verstehe, wie du mehrere GPUs nutzt, um dein Training zu beschleunigen.
• PyTorch Hub 🌟 NEU: Lerne, wie du vortrainierte Modelle über PyTorch Hub lädst.
• TFLite, ONNX, CoreML, TensorRT Export 🚀: Verstehe, wie du dein Modell in verschiedene Formate exportierst.
• Test-Time Augmentation (TTA): Erfahre, wie du TTA einsetzt, um die Vorhersagegenauigkeit deines Modells zu verbessern.
• Modell-Ensembling: Lerne die Strategie der Kombination mehrerer Modelle für eine verbesserte Leistung kennen.
• Modell-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 mit eingefrorenen Schichten: Lerne, wie du Transfer Learning durch Einfrieren von Schichten in YOLOv5 implementierst.
• Architektur-Zusammenfassung 🌟 Tauche in die strukturellen Details des YOLOv5-Modells ein. Lies den YOLOv5 v6.0 Blogbeitrag für weitere Einblicke.
• ClearML Logging-Integration 🌟 Lerne, wie du ClearML für effizientes Logging während deines Modelltrainings integrierst.
• YOLOv5 mit Neural Magic: Entdecke, wie du Neural Magic's DeepSparse verwendest, um dein YOLOv5-Modell zu prunen und zu quantisieren.
• Comet Logging-Integration 🌟 NEU: Erfahre, wie du Comet für ein verbessertes Logging deines Modelltrainings nutzt.

Unterstützte Umgebungen

Ultralytics bietet eine Reihe von sofort einsatzbereiten 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 Plattform verwalten.

• Kostenlose GPU-Notebooks:
• Google Cloud: GCP Schnellstart-Leitfaden
• Amazon: AWS Schnellstart-Leitfaden
• Azure: AzureML Schnellstart-Leitfaden
• Docker: Docker Schnellstart-Leitfaden

Projektstatus

Dieses Abzeichen zeigt an, dass alle Continuous Integration (CI)-Tests der YOLOv5 GitHub Actions erfolgreich durchlaufen. Diese CI-Tests prüfen rigoros die Funktionalität und Leistung von YOLOv5 über verschiedene wichtige Aspekte hinweg: Training, Validierung, Inferenz, Export und Benchmarks. Sie gewährleisten einen konsistenten und zuverlässigen Betrieb auf macOS, Windows und Ubuntu, wobei die Tests alle 24 Stunden und bei jedem neuen Commit durchgeführt werden.

Vernetzen und Mitwirken

Deine Reise mit YOLOv5 muss kein einsamer Weg sein. Werde Teil unserer lebendigen Community auf GitHub, vernetze dich mit Profis 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 Richtlinien für Beiträge 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

Was sind die Hauptmerkmale von Ultralytics YOLOv5?

Ultralytics YOLOv5 ist bekannt für seine Hochgeschwindigkeits- und hochgenauen Objekterkennungsfunktionen. Es basiert auf PyTorch, ist vielseitig und benutzerfreundlich, was es für verschiedene Computer Vision-Projekte geeignet macht. Zu den Hauptmerkmalen gehören Echtzeit-Inferenz, Unterstützung für verschiedene Trainingstricks 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 Leitfaden für TFLite, ONNX, CoreML, TensorRT Export.

Wie kann ich ein benutzerdefiniertes YOLOv5-Modell auf meinem Datensatz trainieren?

Das Training eines benutzerdefinierten YOLOv5-Modells auf deinem Datensatz umfasst einige wichtige Schritte. Bereite zuerst deinen Datensatz im erforderlichen Format vor, der mit Labels annotiert ist. Konfiguriere dann die Trainingsparameter von YOLOv5 und starte den Trainingsprozess mit dem Skript train.py. Für ein ausführliches Tutorial zu diesem Prozess, konsultiere unseren Leitfaden zum Training eigener Daten. Er bietet schrittweise Anweisungen, um optimale Ergebnisse für deinen spezifischen Anwendungsfall zu gewährleisten.

Warum 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 auf einmal, was es im Vergleich zum regionenbasierten Ansatz von RCNN, der mehrere Durchläufe erfordert, deutlich schneller macht. Darüber hinaus machen die nahtlose Integration von YOLOv5 in verschiedene Exportformate und die umfassende Dokumentation es zu einer hervorragenden Wahl für Anfänger und Profis gleichermaßen. Erfahre mehr über die architektonischen Vorteile in unserer Architektur-Zusammenfassung.

Wie kann ich die Leistung des YOLOv5-Modells während des Trainings optimieren?

Die Optimierung der YOLOv5-Modellleistung beinhaltet die Anpassung verschiedener Hyperparameter und die Einbeziehung von Techniken wie Datenerweiterung und Transfer Learning. Ultralytics stellt umfassende Ressourcen zur Hyperparameter-Evolution und zum Pruning/Sparsity bereit, um die Modellleistung zu verbessern. Du kannst praktische Tipps in unserem Leitfaden für beste Trainingsergebnisse finden, 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. Für einen detaillierten Leitfaden zur Einrichtung dieser Umgebungen schaue dir unseren Abschnitt Unterstützte Umgebungen an, der schrittweise Anleitungen für jede Plattform enthält.