Ir al contenido

Guía completa de Ultralytics YOLOv5

¡Bienvenido a la documentación de YOLOv5🚀 de Ultralytics! Ultralytics YOLOv5, la quinta iteración del revolucionario modelo de detección de objetos "You Only Look Once", está diseñado para ofrecer resultados de alta velocidad y alta precisión en tiempo real. Si bien YOLOv5 sigue siendo una herramienta poderosa, considere explorar su sucesor, Ultralytics YOLOv8, para conocer los últimos avances.

Construido en PyTorch, este potente marco de 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 varios casos de uso y proporciona una serie de tutoriales detallados. Estos recursos te ayudarán a aprovechar todo el potencial de YOLOv5 para tus proyectos de visión artificial. ¡Empecemos!

Explora y Aprende

Aquí hay una recopilación de tutoriales completos que le guiarán a través de diferentes aspectos de YOLOv5.

Entornos Compatibles

Ultralytics proporciona una gama de entornos listos para usar, cada uno preinstalado con dependencias esenciales como CUDA, CuDNN, Python y PyTorch, para poner en marcha sus proyectos. También puede administrar sus modelos y conjuntos de datos utilizando Ultralytics HUB.

Estado del Proyecto

YOLOv5 CI

Esta insignia indica que todas las pruebas de Integración Continua (CI) de YOLOv5 GitHub Actions están pasando exitosamente. Estas pruebas de CI verifican rigurosamente la funcionalidad y el rendimiento de YOLOv5 en varios aspectos clave: entrenamiento, validación, inferencia, exportación y benchmarks. Aseguran un funcionamiento consistente y confiable en macOS, Windows y Ubuntu, con pruebas realizadas cada 24 horas y con cada nuevo commit.


Ultralytics GitHub espacio Ultralytics LinkedIn espacio Ultralytics Twitter espacio Ultralytics YouTube espacio Ultralytics TikTok espacio Ultralytics BiliBili espacio Ultralytics Discord

Conéctate y Contribuye

Su viaje con YOLOv5 no tiene por qué ser solitario. Únase a nuestra vibrante comunidad en GitHub, conéctese con profesionales en LinkedIn, comparta sus resultados en Twitter y encuentre recursos educativos en YouTube. Síganos en TikTok y BiliBili para obtener contenido más atractivo.

¿Le interesa contribuir? Agradecemos las contribuciones de todas las formas, desde mejoras de código e informes de errores hasta actualizaciones de la documentación. Consulte nuestras directrices de contribución para obtener más información.

Estamos entusiasmados de ver las formas innovadoras en que utilizará YOLOv5. ¡Sumérjase, experimente y revolucione sus proyectos de visión artificial! 🚀

Preguntas frecuentes

¿Cuáles son las características clave de Ultralytics YOLOv5?

Ultralytics YOLOv5 es reconocido por su alta velocidad y capacidades de detección de objetos de alta precisión. Construido sobre PyTorch, es versátil y fácil de usar, lo que lo hace adecuado para diversos proyectos de visión artificial. Las características clave incluyen la inferencia en tiempo real, el soporte para 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 mejorar su proyecto, explore nuestra guía de exportación a TFLite, ONNX, CoreML y TensorRT.

¿Cómo puedo entrenar un modelo YOLOv5 personalizado en mi conjunto de datos?

Entrenar un modelo YOLOv5 personalizado en su conjunto de datos implica algunos pasos clave. Primero, prepare su conjunto de datos en el formato requerido, anotado con etiquetas. Luego, configure los parámetros de entrenamiento de YOLOv5 e inicie el proceso de entrenamiento utilizando el train.py script. Para obtener un tutorial detallado sobre este proceso, consulte nuestra guía de Entrenamiento con Datos Personalizados. Proporciona instrucciones paso a paso para garantizar resultados óptimos para su caso de uso específico.

¿Por qué debería usar Ultralytics YOLOv5 en lugar de otros modelos de detección de objetos como RCNN?

Ultralytics YOLOv5 es preferido sobre modelos como R-CNN debido a su velocidad y precisión superiores en la detección de objetos en tiempo real. YOLOv5 procesa la imagen completa 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 extensa documentación lo convierten en una excelente opción 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?

La optimización del rendimiento del modelo YOLOv5 implica ajustar varios hiperparámetros e incorporar técnicas como el aumento de datos y el aprendizaje por transferencia. Ultralytics proporciona recursos integrales sobre la evolución de hiperparámetros y la poda/escasez para mejorar la eficiencia del modelo. Puedes descubrir consejos prácticos en nuestra guía de Consejos para obtener los mejores resultados de entrenamiento, que ofrece información práctica para lograr un rendimiento óptimo durante el entrenamiento.

¿Qué entornos son compatibles para ejecutar aplicaciones YOLOv5?

Ultralytics YOLOv5 admite una variedad de entornos, incluidos notebooks GPU gratuitos en Gradient, Google Colab y Kaggle, así como las principales plataformas en la nube como Google Cloud, Amazon AWS y Azure. Las imágenes de Docker también están disponibles para una configuración conveniente. Para obtener una guía detallada sobre la configuración de estos entornos, consulte nuestra sección Entornos compatibles, que incluye instrucciones paso a paso para cada plataforma.



📅 Creado hace 1 año ✏️ Actualizado hace 2 meses

Comentarios