Umfassender Leitfaden für Ultralytics YOLOv5
Willkommen bei Ultralytics YOLOv5🚀 Dokumentation! Ultralytics YOLOv5, die fünfte Generation des revolutionären "You Only Look Once" Objekterkennung Modell wurde entwickelt, um schnelle, hochpräzise Ergebnisse in Echtzeit zu liefern. YOLOv5 ist zwar nach wie vor ein leistungsstarkes Werkzeug, doch sollten Sie sich auch den NachfolgerUltralytics YOLOv8] (..yolov8.md) ansehen, um die neuesten Fortschritte zu erleben.
Dieses leistungsstarke [Deep Learning]ultralytics Framework basiert aufPyTorch]pytorch und erfreut sich aufgrund seiner Vielseitigkeit, Benutzerfreundlichkeit und hohen Leistung großer Beliebtheit. Unsere Dokumentation führt Sie durch den Installationsprozess, erklärt die architektonischen Feinheiten des Modells, stellt verschiedene Anwendungsfälle vor und bietet eine Reihe detaillierter Tutorials. Diese Ressourcen werden Ihnen helfen, das volle Potenzial von YOLOv5 für Ihre [Computer Vision]ultralytics Projekte zu nutzen. Lassen Sie uns anfangen!
Erforschen und Lernen
Hier finden Sie eine Zusammenstellung umfassender Tutorials, die Sie durch verschiedene Aspekte von YOLOv5 führen.
- Trainieren von benutzerdefinierten Daten 🚀 EMPFOHLEN: Erfahren Sie, wie Sie das Modell YOLOv5 auf Ihrem benutzerdefinierten Datensatz trainieren können.
- Tipps für beste Trainingsergebnisse ☘️: Entdecken Sie praktische Tipps zur Optimierung Ihres Modellschulungsprozesses.
- Multi-GPU Ausbildung: Verstehen Sie, wie Sie mehrere GPUs nutzen können, um Ihr Training zu beschleunigen.
- PyTorch Hub 🌟 NEU: Lernen Sie, vortrainierte Modelle über PyTorch Hub zu laden.
- TFLite, ONNX, CoreML, TensorRT Exportieren 🚀: Verstehen Sie, wie Sie Ihr Modell in verschiedene Formate exportieren können.
- Test-Time Augmentation (TTA): Erfahren Sie, wie Sie mit TTA die Vorhersagegenauigkeit Ihres Modells verbessern können.
- Model Ensembling: Lernen Sie die Strategie der Kombination mehrerer Modelle zur Verbesserung der Leistung kennen.
- Modellbeschneidung/Sparsity: Verstehen von Pruning- und Sparsity-Konzepten und wie man ein effizienteres Modell erstellt.
- Hyperparameter-Evolution: Entdecken Sie den Prozess der automatischen Abstimmung der Hyperparameter zur Verbesserung der Modellleistung.
- Transfer Learning mit eingefrorenen Ebenen: Lernen Sie, wie man Transfer Learning durch Einfrieren von Ebenen in YOLOv5 implementiert.
- Zusammenfassung der Architektur 🌟 Vertiefen Sie sich in die strukturellen Details des YOLOv5 . Lesen Sie den Blogbeitrag zuYOLOv5 v6.0 für weitere Einblicke.
- ClearML Logging Integration 🌟 Erfahren Sie, wie Sie ClearML integrieren können ClearML für eine effiziente Protokollierung während des Modelltrainings.
- YOLOv5 mit Neural Magic Entdecken Sie, wie Sie DeepSparse vonNeural Magic verwenden, um Ihr YOLOv5 zu beschneiden und zu quantisieren.
- Comet Logging Integration 🌟 NEU: Entdecken Sie, wie Sie die Comet für eine verbesserte Protokollierung des Modelltrainings.
Unterstützte Umgebungen
Ultralytics bietet eine Reihe gebrauchsfertiger Umgebungen, die jeweils mit wesentlichen Abhängigkeiten vorinstalliert sind, z. B. CUDAund CuDNN, Pythonund PyTorch, um Ihre Projekte zu starten. Sie können Ihre Modelle und Datensätze auch mit Ultralytics HUB verwalten.
- Kostenlose GPU Notizbücher:
- Google Wolke: GCP-Schnellstart-Anleitung
- Amazon: AWS Schnellstart-Anleitung
- Azure: AzureML-Schnellstart-Anleitung
- Docker: Docker-Schnellstart-Anleitung
Projektstatus
Dieses Abzeichen zeigt an, dass alle YOLOv5 GitHub Actions Continuous Integration (CI) Tests erfolgreich bestanden wurden. Diese CI-Tests überprüfen 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 jeder neuen Übertragung durchgeführt werden.
Verbinden und beitragen
Ihre Reise mit YOLOv5 muss keine einsame Reise sein. Schließen Sie sich unserer lebhaften Gemeinschaft auf GitHub an, 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 interessante Inhalte.
Möchten Sie einen Beitrag leisten? Wir freuen uns über Beiträge aller Art, von Codeverbesserungen und Fehlerberichten bis hin zur Aktualisierung der Dokumentation. Weitere Informationen finden Sie in unseren Richtlinien für Beiträge.
Wir sind gespannt auf die innovativen Möglichkeiten, die Sie mit YOLOv5 nutzen werden. Tauchen Sie ein, experimentieren Sie und revolutionieren Sie Ihre Computer-Vision-Projekte! 🚀
FAQ
Was sind die wichtigsten Merkmale von Ultralytics YOLOv5 ?
Ultralytics YOLOv5 ist bekannt für seine Hochgeschwindigkeits- und hochpräzisen Objekterkennungsfunktionen. Aufgebaut auf PyTorchbasiert, ist es vielseitig und benutzerfreundlich und eignet sich daher für verschiedene Computer-Vision-Projekte. 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. Wenn Sie mehr darüber erfahren möchten, wie Ultralytics YOLOv5 Ihr Projekt verbessern kann, lesen Sie unseren TFLite, ONNX, CoreML, TensorRT Exportleitfaden.
Wie kann ich ein benutzerdefiniertes YOLOv5 Modell auf meinem Datensatz trainieren?
Das Training eines benutzerdefinierten YOLOv5 Modells auf Ihrem Datensatz umfasst einige wichtige Schritte. Zunächst bereiten Sie Ihren Datensatz im gewünschten Format vor und versehen ihn mit Beschriftungen. Dann konfigurieren Sie die Trainingsparameter von YOLOv5 und starten den Trainingsprozess mit der Funktion train.py Skript. Eine ausführliche Anleitung zu diesem Verfahren finden Sie in unserem Leitfaden für benutzerdefinierte Daten im Zug. Es enthält schrittweise Anleitungen, um optimale Ergebnisse für Ihren speziellen Anwendungsfall zu gewährleisten.
Warum sollte ich Ultralytics YOLOv5 gegenüber anderen Objekterkennungsmodellen wie RCNN verwenden?
Ultralytics YOLOv5 wird aufgrund seiner überlegenen Geschwindigkeit und Genauigkeit bei der Objekterkennung in Echtzeit gegenüber Modellen wie R-CNN bevorzugt. YOLOv5 verarbeitet das gesamte Bild in einem Durchgang und ist damit wesentlich schneller als der regionenbasierte Ansatz von RCNN, der mehrere Durchgänge erfordert. Die nahtlose Integration von YOLOv5 in verschiedene Exportformate und die ausführliche Dokumentation machen YOLOv5 zu einer ausgezeichneten Wahl sowohl für Anfänger als auch für Profis. Erfahren Sie mehr über die architektonischen Vorteile in unserer Architekturübersicht.
Wie kann ich die Leistung des Modells YOLOv5 während des Trainings optimieren?
Die Optimierung der YOLOv5 umfasst die Abstimmung verschiedener Hyperparameter und die Einbeziehung von Techniken wie Datenerweiterung und Transferlernen. Ultralytics bietet umfassende Ressourcen für die Entwicklung von Hyperparametern und Pruning/Sparity zur Verbesserung der Modelleffizienz. Praktische Tipps finden Sie in unserem Leitfaden Tipps für beste Trainingsergebnisse, der umsetzbare Erkenntnisse zur Erzielung einer optimalen Leistung während des Trainings bietet.
Welche Umgebungen werden für die Ausführung von YOLOv5 Anwendungen unterstützt?
Ultralytics YOLOv5 unterstützt eine Vielzahl von Umgebungen, einschließlich kostenloser GPU auf Gradient, Google Colab und Kaggle, sowie wichtige Cloud-Plattformen wie Google Cloud, Amazon AWS und Azure. Für eine bequeme Einrichtung sind auch Docker-Images verfügbar. Eine ausführliche Anleitung zum Einrichten dieser Umgebungen finden Sie in unserem Abschnitt Unterstützte Umgebungen, der Schritt-für-Schritt-Anweisungen für jede Plattform enthält.
