Guía completa de Ultralytics YOLOv5

Q: How can I train a custom YOLOv5 model on my dataset?

Entrenar un modelo YOLOv5 personalizado en tu propio conjunto de datos implica algunos pasos clave. Primero, prepara tu conjunto de datos en el formato requerido, anotado con etiquetas. Luego, configura los parámetros de entrenamiento de YOLOv5 e inicia el proceso de entrenamiento utilizando el script train.py. Para un tutorial detallado sobre este proceso, consulta nuestra guía de Entrenamiento con Datos Personalizados. Proporciona instrucciones paso a paso para asegurar resultados óptimos para tu caso de uso específico.

Q: How can I optimize YOLOv5 model performance during training?

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 integrales sobre la evolución de hiperparámetros y pruning/sparsity 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.

¡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.

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 entrenamiento del modelo.
Entrenamiento Multi-GPU: Comprenda cómo aprovechar múltiples GPUs para acelerar su entrenamiento.
PyTorch Hub 🌟 NUEVO: Aprenda a cargar modelos pre-entrenados a través de PyTorch Hub.
Exportación a TFLite, ONNX, CoreML, TensorRT 🚀: Comprenda cómo exportar su modelo a diferentes formatos.
Aumento del tiempo de prueba (TTA): Explore cómo utilizar TTA para mejorar la precisión de la predicción de su modelo.
Ensamblaje de modelos: Aprenda la estrategia de combinar múltiples modelos para mejorar el rendimiento.
Poda/Raleo de modelos: Comprenda los conceptos de poda y raleo, y cómo crear un modelo más eficiente.
Evolución de Hiperparámetros: Descubra el proceso automatizado de ajuste de hiperparámetros para un mejor rendimiento del modelo.
Transfer Learning con Capas Congeladas: Aprenda cómo implementar el transfer learning congelando capas en YOLOv5.
Resumen de la arquitectura 🌟 Profundice en los detalles estructurales del modelo YOLOv5. Lea la publicación del blog YOLOv5 v6.0 para obtener más información.
Integración del registro de ClearML 🌟 Aprenda a integrar ClearML para un registro eficiente durante el entrenamiento de su modelo.
YOLOv5 con Neural Magic Descubra cómo usar DeepSparse de Neural Magic para podar y cuantificar su modelo YOLOv5.
Integración del registro de Comet 🌟 NUEVO: Explore cómo utilizar Comet para mejorar el registro del entrenamiento del modelo.

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.

Notebooks GPU gratuitos:
Google Cloud: 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

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.

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.