Umfassender Leitfaden für Ultralytics YOLOv5
Willkommen auf der Ultralytics' YOLOv5🚀 Dokumentation! YOLOv5, die fünfte Generation des revolutionären "You Only Look Once"-Objekterkennungsmodells, wurde entwickelt, um schnelle und hochpräzise Ergebnisse in Echtzeit zu liefern.
Dieses leistungsstarke Deep-Learning-Framework basiert auf PyTorch und erfreut sich aufgrund seiner Vielseitigkeit, Benutzerfreundlichkeit und hohen Leistung großer Beliebtheit. Unsere Dokumentation führt dich durch den Installationsprozess, erklärt die architektonischen Feinheiten des Modells, stellt verschiedene Anwendungsfälle vor und bietet eine Reihe von detaillierten Tutorials. Diese Ressourcen werden dir helfen, das volle Potenzial von YOLOv5 für deine Computer Vision Projekte zu nutzen. Los geht's!
Erforschen und Lernen
Hier ist eine Zusammenstellung umfassender Tutorials, die dich durch verschiedene Aspekte von YOLOv5 führen.
- Benutzerdefinierte Daten trainieren 🚀 EMPFOHLEN: Lerne, wie du das Modell YOLOv5 auf deinem eigenen Datensatz trainierst.
- Tipps für beste Trainingsergebnisse ☘️: Entdecke praktische Tipps, um deinen Modellschulungsprozess zu optimieren.
- Multi-GPU-Schulung: Erfahre, wie du mehrere GPUs nutzen kannst, um deine Ausbildung zu beschleunigen.
- PyTorch Hub 🌟 NEU: Lerne, vortrainierte Modelle über PyTorch Hub zu laden.
- TFLite, ONNX, CoreML, TensorRT Exportieren 🚀: Verstehe, wie du dein Modell in verschiedene Formate exportieren kannst.
- Einsatz auf der NVIDIA Jetson Plattform 🌟 NEU: Lerne, wie du dein YOLOv5 Modell auf der NVIDIA Jetson Plattform einsetzt.
- Test-Time Augmentation (TTA): Erfahre, wie du die TTA nutzen kannst, um die Vorhersagegenauigkeit deines Modells zu verbessern.
- Model Ensembling: Lerne die Strategie, mehrere Modelle zu kombinieren, um die Leistung zu verbessern.
- Modellbeschneidung/Sparsity: Verstehe die Konzepte des Pruning und der Sparsamkeit und wie du ein effizienteres Modell erstellen kannst.
- Hyperparameter-Evolution: Entdecke den Prozess der automatischen Anpassung der Hyperparameter für eine bessere Modellleistung.
- Transfer Learning mit eingefrorenen Ebenen: Lerne, wie du Transfer Learning durch das Einfrieren von Ebenen in YOLOv5 implementieren kannst.
- Zusammenfassung der Architektur 🌟 Erfahre mehr über die strukturellen Details des YOLOv5 Modells.
- Roboflow für Datensätze: Verstehe, wie du Roboflow für die Verwaltung von Datensätzen, die Beschriftung und das aktive Lernen nutzen kannst.
- ClearML Logging 🌟 Lerne, wie du ClearML für effizientes Logging während deines Modelltrainings einbindest.
- YOLOv5 mit Neural Magic Entdecke, wie du mit Neural Magic's Deepsparse dein YOLOv5 Modell beschneiden und quantisieren kannst.
- Comet Protokollierung 🌟 NEU: Erforsche, wie du Comet für eine bessere Protokollierung des Modelltrainings nutzen kannst.
Unterstützte Umgebungen
Ultralytics bietet eine Reihe gebrauchsfertiger Umgebungen, die jeweils mit wichtigen Abhängigkeiten wie CUDA, CUDNN vorinstalliert sind, Python, und PyTorch, um deine Projekte zu starten.
- Kostenlose GPU-Notebooks:
- Google Cloud: GCP Schnellstart-Anleitung
- Amazon: AWS Schnellstart-Anleitung
- Azure: AzureML Schnellstartanleitung
- 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 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 und bei jeder neuen Übertragung durchgeführt.
Verbinden und beitragen
Deine Reise mit YOLOv5 muss keine einsame Reise sein. Tritt unserer lebendigen Community auf GitHub bei, tausche dich mit Fachleuten auf LinkedIn aus, teile deine Ergebnisse auf Twitter und finde Bildungsressourcen auf YouTube. Folge uns auf TikTok und Instagram für weitere interessante Inhalte.
Möchtest du einen Beitrag leisten? Wir freuen uns über alle Arten von Beiträgen, von Codeverbesserungen über Fehlerberichte bis hin zur Aktualisierung der Dokumentation. Weitere Informationen findest du in unseren Richtlinien für die Mitarbeit.
Wir sind gespannt auf die innovativen Möglichkeiten, die du mit YOLOv5 nutzen wirst. Tauche ein, experimentiere und revolutioniere deine Computer Vision Projekte! 🚀