Guía completa de Ultralytics YOLOv5
Bienvenido a Ultralytics' YOLOv5🚀 ¡Documentación! YOLOv5, la quinta iteración del revolucionario "Sólo se mira una vez". detección de objetos está diseñado para ofrecer resultados de alta velocidad y precisión en tiempo real.
Basado en PyTorch, este potente aprendizaje profundo ha cosechado una inmensa popularidad por su versatilidad, facilidad de uso y alto rendimiento. Nuestra documentación le guiará a través del proceso de instalación, le explicará los matices arquitectónicos del modelo, le mostrará diversos casos de uso y le proporcionará una serie de tutoriales detallados. Estos recursos le ayudarán a aprovechar todo el potencial de YOLOv5 para su visión por ordenador proyectos. Pongámonos manos a la obra.
Explora y aprende
Aquí tienes una recopilación de completos tutoriales que te guiarán por diferentes aspectos de YOLOv5.
- Entrenar datos personalizados 🚀 RECOMENDADO: Aprenda a entrenar el modelo YOLOv5 en su conjunto de datos personalizado.
- Consejos para obtener los mejores resultados de entrenamiento ☘️: Descubra consejos prácticos para optimizar su proceso de formación de modelos.
- Formación Multi-GPU : Aprende a aprovechar las múltiples GPU para agilizar tu formación.
- PyTorch Hub 🌟 NUEVO: Aprende a cargar modelos preentrenados a través de PyTorch Hub.
- TFLite, ONNX, CoreML, TensorRT Exportar 🚀: Entiende cómo exportar tu modelo a diferentes formatos.
- Aumento del tiempo de prueba (TTA): Explore cómo utilizar el TTA para mejorar la precisión de predicción de su modelo.
- Ensamblaje de modelos: Aprenda la estrategia de combinar múltiples modelos para mejorar el rendimiento.
- Poda de modelos/espaciosidad: Entender los conceptos de poda y dispersión, y cómo crear un modelo más eficiente.
- Evolución de hiperparámetros: Descubra el proceso de ajuste automatizado de hiperparámetros para mejorar el rendimiento del modelo.
- Aprendizaje por transferencia con capas congeladas: Aprenda a aplicar el aprendizaje por transferencia congelando capas en YOLOv5.
- Resumen de arquitectura 🌟 Profundiza en los detalles estructurales del modelo YOLOv5 .
- Roboflow para conjuntos de datos: Descubra cómo utilizar Roboflow para la gestión, el etiquetado y el aprendizaje activo de conjuntos de datos.
- ClearML Registro 🌟 Aprende a integrar ClearML para un registro eficiente durante el entrenamiento de tu modelo.
- YOLOv5 con Neural Magic Descubra cómo utilizar Neural Magic's Deepsparse para podar y cuantificar su modelo YOLOv5 .
- Comet Registro 🌟 NUEVO: Explore cómo utilizar Comet para mejorar el registro de entrenamiento de modelos.
Entornos compatibles
Ultralytics proporciona una serie de entornos listos para usar, cada uno de ellos preinstalado con dependencias esenciales como CUDACUDNN, Pythony PyTorchpara poner en marcha sus proyectos.
- Cuadernos gratuitos GPU:
- Google Nube: Guía de inicio rápido de GCP
- Amazon: Guía de inicio rápido de AWS
- Azure: Guía de inicio rápido de AzureML
- Docker: Guía de inicio rápido de Docker
Estado del proyecto
Este distintivo indica que todas las pruebas de integración continua (IC) deYOLOv5 GitHub Actions se han superado con éxito. Estas pruebas de IC comprueban rigurosamente la funcionalidad y el rendimiento de YOLOv5 en varios aspectos clave: formación, validación, inferencia, exportación y puntos de referencia. Garantizan un funcionamiento coherente y fiable en macOS, Windows y Ubuntu, con pruebas realizadas cada 24 horas y en cada nueva confirmación.
Conectar y contribuir
Tu viaje con YOLOv5 no tiene por qué ser solitario. Únete a nuestra vibrante comunidad en GitHub, conecta con profesionales en LinkedIn, comparte tus resultados en Twitter y encuentra recursos educativos en YouTube. Síguenos en TikTok y BiliBili para obtener más contenidos atractivos.
¿Le interesa contribuir? Aceptamos todo tipo de contribuciones, desde mejoras del código e informes de errores hasta actualizaciones de la documentación. Consulte nuestras directrices para obtener más información.
Estamos impacientes por ver las innovadoras formas en que utilizará YOLOv5. ¡Sumérgete, experimenta y revoluciona tus proyectos de visión por ordenador! 🚀
PREGUNTAS FRECUENTES
¿Cuáles son las principales características de Ultralytics YOLOv5 ?
Ultralytics YOLOv5 es famosa por su capacidad de detección de objetos a alta velocidad y gran precisión. Basado en PyTorches versátil y fácil de usar, por lo que resulta adecuado para diversos proyectos de visión por ordenador. Entre sus principales características se incluyen la inferencia en tiempo real, la compatibilidad con múltiples trucos de entrenamiento como Test-Time Augmentation (TTA) y Model Ensembling, y la compatibilidad con formatos de exportación como TFLite, ONNX, CoreML, y TensorRT. Para profundizar en cómo Ultralytics YOLOv5 puede elevar su proyecto, explore nuestra guía de exportación TFLite, ONNX, CoreML, TensorRT .
¿Cómo puedo entrenar un modelo YOLOv5 personalizado en mi conjunto de datos?
El entrenamiento de un modelo YOLOv5 personalizado en su conjunto de datos implica unos cuantos pasos clave. En primer lugar, prepare su conjunto de datos en el formato requerido, anotado con etiquetas. A continuación, configure los parámetros de entrenamiento de YOLOv5 e inicie el proceso de entrenamiento utilizando la función train.py script. Para un tutorial en profundidad sobre este proceso, consulte nuestro Guía Train Custom Data. Proporciona instrucciones paso a paso para garantizar resultados óptimos para su caso de uso específico.
¿Por qué debería utilizar Ultralytics YOLOv5 en lugar de otros modelos de detección de objetos como RCNN?
YOLOv5 Ultralytics se prefiere a modelos como R-CNN debido a su velocidad y precisión superiores en la detección de objetos en tiempo real. YOLOv5 procesa toda la imagen de una sola vez, lo que lo hace significativamente más rápido en comparación con el enfoque basado en regiones de RCNN, que implica múltiples pasadas. Además, la perfecta integración de YOLOv5 con varios formatos de exportación y su amplia documentación lo convierten en una opción excelente tanto para principiantes como para profesionales. Obtenga más información sobre las ventajas arquitectónicas en nuestro Resumen de arquitectura.
¿Cómo puedo optimizar el rendimiento del modelo YOLOv5 durante el entrenamiento?
Optimizar el rendimiento del modelo YOLOv5 implica ajustar varios hiperparámetros e incorporar técnicas como el aumento de datos y el aprendizaje por transferencia. Ultralytics ofrece recursos exhaustivos sobre la evolución de hiperparámetros y la poda/espaciosidad para mejorar la eficiencia del modelo. Puede descubrir consejos prácticos en nuestra guía Consejos para obtener los mejores resultados de entrenamiento, que ofrece información práctica para lograr un rendimiento óptimo durante el entrenamiento.
¿Qué entornos son compatibles con las aplicaciones de YOLOv5 ?
Ultralytics YOLOv5 es compatible con una gran variedad de entornos, incluidos cuadernos GPU gratuitos en Gradient, Google Colab, Kaggle, así como las principales plataformas en la nube como Google Cloud, Amazon AWS y Azure. También hay disponibles imágenes Docker para facilitar la configuración. Para obtener una guía detallada sobre la configuración de estos entornos, consulta nuestra sección Entornos compatibles, que incluye instrucciones paso a paso para cada plataforma.
