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. Obwohl YOLOv5 weiterhin ein leistungsstarkes Werkzeug ist, solltest du für die neuesten Entwicklungen auch seine Nachfolger Ultralytics YOLOv8, YOLO11 und YOLO26 kennenlernen.
Dieses leistungsstarke, auf PyTorch basierende Framework für Deep Learning erfreut sich aufgrund seiner Vielseitigkeit, Benutzerfreundlichkeit und hohen Leistung großer Beliebtheit. Unsere Dokumentation führt dich durch den Installationsprozess, erläutert die architektonischen Besonderheiten des Modells, zeigt verschiedene Anwendungsfälle und bietet eine Reihe ausführlicher Tutorials. Mit diesen Ressourcen kannst du das volle Potenzial von YOLOv5 für deine Projekte im Bereich Computer Vision 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: Erfahre, wie du das YOLOv5-Modell mit deinem eigenen Datensatz trainierst.
- Tipps für optimale Trainingsergebnisse ☘️: Entdecke praktische Tipps zur Optimierung deines Modelltrainings.
- Training mit mehreren GPUs: Erfahre, wie du mehrere GPUs nutzen kannst, um dein Training zu beschleunigen.
- PyTorch Hub: Erfahre, wie du vortrainierte Modelle über PyTorch Hub lädst.
- Export nach TFLite, ONNX, CoreML und TensorRT 🚀: Erfahre, wie du dein Modell in verschiedene Formate exportierst.
- Testzeit-Augmentierung (TTA): Erfahre, wie du TTA nutzen kannst, um die Genauigkeit der Modellvorhersagen zu verbessern.
- Zusammenführen von Modellen: Erfahre, wie du mehrere Modelle kombinierst, um die Leistung zu verbessern.
- Modellbeschneidung und -sparsität: Verstehe die Konzepte der Beschneidung und Sparsität und erfahre, wie du ein effizienteres Modell erstellst.
- Entwicklung von Hyperparametern: Entdecke den Prozess der automatisierten Hyperparameteroptimierung für eine bessere Modellleistung.
- Transferlernen mit eingefrorenen Schichten: Erfahre, wie du Transferlernen durch das Einfrieren von Schichten in YOLOv5 implementierst.
- Architekturübersicht 🌟 Erkunde die strukturellen Details des YOLOv5-Modells. Im Blogbeitrag zu YOLOv5 v6.0 findest du weitere Informationen.
- 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 nutzen kannst, um dein YOLOv5-Modell zu beschneiden und zu quantisieren.
- Comet Logging Integration: Erfahre, wie du Comet für ein verbessertes Modelltraining-Logging nutzt.
Unterstützte Umgebungen#
Ultralytics stellt eine Reihe sofort einsatzbereiter Umgebungen bereit, in denen wichtige Abhängigkeiten wie CUDA, CuDNN, Python und PyTorch bereits installiert sind, damit du deine Projekte schnell starten kannst. Mit der Ultralytics Platform kannst du außerdem deine Modelle und Datensätze verwalten.
- Kostenlose GPU-Notebooks:
- Google Cloud: Kurzanleitung für GCP
- Amazon: Kurzanleitung für AWS
- Azure: Kurzanleitung für AzureML
- Docker: Docker-Schnellstartanleitung
Projektstatus#
Dieses Abzeichen zeigt an, dass alle GitHub-Actions für YOLOv5-Tests zur kontinuierlichen Integration (CI) erfolgreich durchlaufen. Diese CI-Tests prüfen 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 durchgeführt.
Verbinden und beitragen#
Deine Reise mit YOLOv5 muss nicht allein stattfinden. Werde Teil unserer aktiven Community auf GitHub, vernetze dich auf LinkedIn mit Fachleuten, teile deine Ergebnisse auf Twitter und finde Lernressourcen auf YouTube. Folge uns auf TikTok und BiliBili, um weitere spannende Inhalte zu entdecken.
Du möchtest beitragen? Wir freuen uns über Beiträge jeder Art – von Codeverbesserungen und Fehlerberichten bis hin zu Aktualisierungen der Dokumentation. Weitere Informationen findest du in unseren Richtlinien für Beiträge.
Wir sind gespannt auf die innovativen Möglichkeiten, mit denen du YOLOv5 einsetzen wirst. Leg los, experimentiere und revolutioniere deine Projekte im Bereich Computer Vision! 🚀
FAQ#
Ultralytics YOLOv5 ist für seine schnelle und präzise Objekterkennung bekannt. Das auf PyTorch basierende Modell ist vielseitig und benutzerfreundlich und eignet sich daher für verschiedene Computer-Vision-Projekte. Zu den wichtigsten Funktionen gehören Inferenz in Echtzeit, die Unterstützung mehrerer Trainingstechniken wie Testzeit-Augmentierung (TTA) und das Zusammenführen von Modellen sowie die Kompatibilität mit Exportformaten wie TFLite, ONNX, CoreML und TensorRT. Eine ausführliche Erklärung, wie Ultralytics YOLOv5 dein Projekt verbessern kann, findest du in unserem Leitfaden zum Export nach TFLite, ONNX, CoreML und TensorRT.
Das Training eines benutzerdefinierten YOLOv5-Modells mit deinem Datensatz umfasst einige wichtige Schritte. Bereite zunächst deinen Datensatz im erforderlichen Format vor und versehe ihn mit Beschriftungen. Konfiguriere anschließend die YOLOv5-Trainingsparameter und starte den Trainingsprozess mit dem Skript
train.py. Eine ausführliche Anleitung zu diesem Prozess findest du in unserem Leitfaden zum Training benutzerdefinierter Daten. Er enthält Schritt-für-Schritt-Anweisungen, damit du optimale Ergebnisse für deinen spezifischen Anwendungsfall erzielst.Ultralytics YOLOv5 wird Modellen wie R-CNN aufgrund seiner höheren Geschwindigkeit und Genauigkeit bei der Objekterkennung in Echtzeit vorgezogen. YOLOv5 verarbeitet das gesamte Bild in einem einzigen Durchgang und ist dadurch deutlich schneller als der regionenbasierte Ansatz von RCNN, bei dem mehrere Durchläufe erforderlich sind. Darüber hinaus machen die nahtlose Integration von YOLOv5 in verschiedene Exportformate und die umfassende Dokumentation das Modell zu einer ausgezeichneten Wahl für Anfänger und Fachleute. Weitere Informationen zu den architektonischen Vorteilen findest du in unserer Architekturübersicht.
Zur Optimierung der Leistung eines YOLOv5-Modells werden verschiedene Hyperparameter angepasst und Techniken wie Datenaugmentation und Transferlernen eingesetzt. Ultralytics bietet umfassende Ressourcen zur Entwicklung von Hyperparametern und zu Beschneidung und Sparsität, um die Effizienz des Modells zu verbessern. Praktische Tipps findest du in unserem Leitfaden mit Tipps für optimale Trainingsergebnisse, der konkrete Hinweise für eine optimale Leistung während des Trainings bietet.
Ultralytics YOLOv5 unterstützt verschiedene Umgebungen, darunter kostenlose GPU-Notebooks auf Gradient, Google Colab und Kaggle sowie große Cloud-Plattformen wie Google Cloud, Amazon AWS und Azure. Für eine bequeme Einrichtung sind auch Docker-Images verfügbar. Eine ausführliche Anleitung zur Einrichtung dieser Umgebungen findest du im Abschnitt Unterstützte Umgebungen, der Schritt-für-Schritt-Anweisungen für jede Plattform enthält.