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.
Construido sobre PyTorch, este potente aprendizaje profundo ha ganado una inmensa popularidad por su versatilidad, facilidad de uso y alto rendimiento. Nuestra documentación te guía a través del proceso de instalación, explica los matices arquitectónicos del modelo, muestra diversos casos de uso y proporciona una serie de tutoriales detallados. Estos recursos te ayudarán a aprovechar todo el potencial de YOLOv5 para tu visión por ordenador proyectos. ¡Manos a la obra!
Explora y aprende
Aquí tienes una recopilación de completos tutoriales que te guiarán a través de diferentes aspectos de YOLOv5.
- Entrenar datos personalizados 🚀 RECOMENDADO: Aprende a entrenar el modelo YOLOv5 en tu conjunto de datos personalizado.
- Consejos para obtener los mejores resultados de entrenamiento ☘️: Descubre consejos prácticos para optimizar tu proceso de entrenamiento de modelos.
- Formación Multi-GPU : Comprende cómo aprovechar varias GPU para agilizar tu formación.
- PyTorch Hub 🌟 NUEVO: Aprende a cargar modelos preentrenados a través de PyTorch Hub.
- TFLite, ONNX, CoreML, TensorRT Exportar 🚀: Comprende cómo exportar tu modelo a diferentes formatos.
- Aumento del tiempo de prueba (TTA): Explora cómo utilizar el TTA para mejorar la precisión de predicción de tu modelo.
- Ensamblaje de modelos: Aprende la estrategia de combinar varios modelos para mejorar el rendimiento.
- Poda de modelos/espaciosidad: Comprende los conceptos de poda y dispersión, y cómo crear un modelo más eficiente.
- Evolución de los hiperparámetros: Descubre el proceso de ajuste automatizado de hiperparámetros para mejorar el rendimiento del modelo.
- Aprendizaje por transferencia con capas congeladas: Aprende a aplicar el aprendizaje por transferencia congelando capas en YOLOv5.
- Resumen de la arquitectura 🌟 Profundiza en los detalles estructurales del modelo YOLOv5 .
- Roboflow para Conjuntos de Datos: Comprende cómo utilizar Roboflow para la gestión de conjuntos de datos, el etiquetado y el aprendizaje activo.
- ClearML Registro 🌟 Aprende a integrar ClearML para un registro eficaz durante el entrenamiento de tu modelo.
- YOLOv5 con Neural Magic Descubre cómo utilizar Neural Magic's Deepsparse para podar y cuantizar tu modelo YOLOv5 .
- Comet Registro 🌟 NUEVO: Explora cómo utilizar Comet para mejorar el registro del entrenamiento del modelo.
Entornos compatibles
Ultralytics proporciona una serie de entornos listos para usar, cada uno de ellos preinstalado con dependencias esenciales como CUDA, CUDNNPythony PyTorchpara poner en marcha tus proyectos.
- Cuadernos gratuitos GPU:
- Google La 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) de las Acciones de GitHub deYOLOv5 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 con cada nueva confirmación.
Conéctate y contribuye
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.
¿Te interesa contribuir? Aceptamos contribuciones de todo tipo, desde mejoras del código e informes de errores hasta actualizaciones de la documentación. Consulta nuestras directrices de contribución para obtener más información.
Nos entusiasma ver las formas innovadoras en que utilizarás YOLOv5. ¡Sumérgete, experimenta y revoluciona tus proyectos de visión por ordenador! 🚀
PREGUNTAS FRECUENTES
¿Cuáles son las principales características de Ultralytics YOLOv5 ?
Ultralytics YOLOv5 es famoso por su capacidad de detección de objetos a alta velocidad y con gran precisión. Construido sobre 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 el Aumento del Tiempo de Prueba (TTA) y el Ensamblaje de Modelos, y la compatibilidad con formatos de exportación como TFLite, ONNX, CoreML y TensorRT. Para profundizar en cómo Ultralytics YOLOv5 puede elevar tu proyecto, explora nuestra guía de exportación TFLite, ONNX, CoreML, TensorRT .
¿Cómo puedo entrenar un modelo YOLOv5 personalizado en mi conjunto de datos?
Entrenar un modelo YOLOv5 personalizado en tu conjunto de datos implica unos cuantos pasos clave. En primer lugar, prepara tu conjunto de datos en el formato requerido, anotado con etiquetas. A continuación, configura los parámetros de entrenamiento de YOLOv5 e inicia el proceso de entrenamiento utilizando la función train.py guión. Para un tutorial en profundidad sobre este proceso, consulta nuestro Guía de datos personalizados del tren. Proporciona instrucciones paso a paso para garantizar unos resultados óptimos para tu caso de uso específico.
¿Por qué debería utilizar Ultralytics YOLOv5 en lugar de otros modelos de detección de objetos como RCNN?
Ultralytics YOLOv5 se prefiere a modelos como RCNN 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. Obtén 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 proporciona recursos completos sobre la evolución de los hiperparámetros y la poda/especificidad para mejorar la eficacia del modelo. Puedes descubrir consejos prácticos en nuestra guía Consejos para obtener los mejores resultados de entrenamiento, que ofrece ideas prácticas para lograr un rendimiento óptimo durante el entrenamiento.
¿Qué entornos son compatibles para ejecutar aplicaciones YOLOv5 ?
Ultralytics YOLOv5 es compatible con diversos entornos, incluidos los cuadernos gratuitos GPU 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 una cómoda 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.
