Guía completa de Ultralytics YOLOv5#
Te damos la bienvenida 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 rápidos y precisos en tiempo real. Aunque YOLOv5 sigue siendo una herramienta potente, te recomendamos explorar sus sucesores, Ultralytics YOLOv8, YOLO11 y YOLO26, para conocer los últimos avances.
Este potente framework de aprendizaje profundo, basado en PyTorch, ha alcanzado una enorme popularidad gracias a su versatilidad, facilidad de uso y alto rendimiento. Nuestra documentación te guía durante la instalación, explica los matices de la arquitectura del modelo, muestra distintos casos de uso y ofrece una serie de tutoriales detallados. Estos recursos te ayudarán a aprovechar todo el potencial de YOLOv5 en tus proyectos de visión por ordenador. ¡Empecemos!
Explora y aprende#
Aquí tienes una recopilación de tutoriales completos que te guiarán por distintos aspectos de YOLOv5.
- Entrenar con datos personalizados 🚀 RECOMENDADO: aprende a entrenar el modelo YOLOv5 con tu propio conjunto de datos.
- Consejos para obtener los mejores resultados de entrenamiento ☘️: descubre consejos prácticos para optimizar el proceso de entrenamiento de tu modelo.
- Entrenamiento con varias GPU: descubre cómo aprovechar varias GPU para acelerar el entrenamiento.
- PyTorch Hub: aprende a cargar modelos preentrenados mediante PyTorch Hub.
- Exportación a TFLite, ONNX, CoreML y TensorRT 🚀: descubre cómo exportar tu modelo a distintos formatos.
- Aumento de datos en tiempo de inferencia (TTA): descubre cómo usar TTA para mejorar la precisión de las predicciones de tu modelo.
- Ensamblado de modelos: aprende la estrategia de combinar varios modelos para mejorar el rendimiento.
- Poda y dispersión del modelo: descubre los conceptos de poda y dispersión y cómo crear un modelo más eficiente.
- Evolución de hiperparámetros: descubre el proceso de ajuste de hiperparámetros automatizado para mejorar el rendimiento del modelo.
- Aprendizaje por transferencia con capas congeladas: aprende a implementar el aprendizaje por transferencia congelando capas en YOLOv5.
- Resumen de la arquitectura 🌟 Explora los detalles estructurales del modelo YOLOv5. Lee la entrada del blog sobre YOLOv5 v6.0 para obtener más información.
- Integración del registro con ClearML 🌟 Aprende a integrar ClearML para registrar el entrenamiento de tu modelo de forma eficiente.
- YOLOv5 con Neural Magic: descubre cómo usar DeepSparse de Neural Magic para podar y cuantizar tu modelo YOLOv5.
- Integración del registro con Comet: descubre cómo utilizar Comet para mejorar el registro del entrenamiento del modelo.
Entornos compatibles#
Ultralytics ofrece diversos entornos listos para usar, cada uno con dependencias esenciales preinstaladas, como CUDA, CuDNN, Python y PyTorch, para que puedas poner en marcha tus proyectos. También puedes gestionar tus modelos y conjuntos de datos con Ultralytics Platform.
- Cuadernos gratuitos con GPU:
- 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 GitHub Actions de YOLOv5 se superan correctamente. Estas pruebas de CI comprueban rigurosamente la funcionalidad y el rendimiento de YOLOv5 en varios aspectos clave: entrenamiento, validación, inferencia, exportación y evaluaciones comparativas. Garantizan un funcionamiento uniforme y fiable en macOS, Windows y Ubuntu, con pruebas cada 24 horas y tras cada nueva confirmación.
Conecta y contribuye#
Tu experiencia con YOLOv5 no tiene por qué ser un camino en solitario. Únete a nuestra activa 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 ver más contenido interesante.
¿Te interesa colaborar? Aceptamos contribuciones de todo tipo, desde mejoras en el código e informes de errores hasta actualizaciones de la documentación. Consulta nuestras directrices de colaboración para obtener más información.
Nos entusiasma ver las formas innovadoras en que usarás YOLOv5. ¡Sumérgete, experimenta y revoluciona tus proyectos de visión por ordenador! 🚀
Preguntas frecuentes#
Ultralytics YOLOv5 destaca por su gran velocidad y sus capacidades de detección de objetos de alta precisión. Basado en PyTorch, es versátil y fácil de usar, por lo que resulta adecuado para diversos proyectos de visión por ordenador. Entre sus características principales se incluyen las inferencias en tiempo real, la compatibilidad con técnicas de inferencia como el aumento de datos en tiempo de inferencia (TTA) y el ensamblado de modelos, y la compatibilidad con formatos de exportación como TFLite, ONNX, CoreML y TensorRT. Para profundizar en cómo Ultralytics YOLOv5 puede impulsar tu proyecto, consulta nuestra guía de exportación a TFLite, ONNX, CoreML y TensorRT.
Entrenar un modelo YOLOv5 personalizado con tu conjunto de datos implica varios pasos clave. Primero, prepara el conjunto de datos en el formato requerido y anótalo con etiquetas. Después, configura los parámetros de entrenamiento de YOLOv5 e inicia el proceso con el script
train.py. Para consultar un tutorial detallado sobre este proceso, visita nuestra guía para entrenar con datos personalizados. Incluye instrucciones paso a paso para obtener resultados óptimos en tu caso de uso específico.Se prefiere Ultralytics YOLOv5 a modelos como R-CNN por su mayor velocidad y precisión en la detección de objetos en tiempo real. YOLOv5 procesa toda la imagen de una sola vez, por lo que es mucho más rápido que el enfoque basado en regiones de RCNN, que requiere varias pasadas. Además, la integración sencilla de YOLOv5 con diversos formatos de exportación y su amplia documentación lo convierten en una excelente opción tanto para principiantes como para profesionales. Descubre más sobre sus ventajas arquitectónicas en nuestro resumen de la arquitectura.
Para optimizar el rendimiento del modelo YOLOv5, hay que ajustar diversos hiperparámetros e incorporar técnicas como el aumento de datos y el aprendizaje por transferencia. Ultralytics ofrece recursos completos sobre la evolución de hiperparámetros y la poda y dispersión para mejorar la eficiencia del modelo. En nuestra guía de consejos para obtener los mejores resultados de entrenamiento encontrarás sugerencias prácticas y aplicables para lograr un rendimiento óptimo durante el entrenamiento.
Ultralytics YOLOv5 es compatible con diversos entornos, incluidos los cuadernos gratuitos con GPU de Gradient, Google Colab y Kaggle, así como con las principales plataformas en la nube, como Google Cloud, Amazon AWS y Azure. También hay imágenes Docker disponibles para facilitar la configuración. Para obtener instrucciones detalladas sobre cómo configurar estos entornos, consulta nuestra sección Entornos compatibles, que incluye instrucciones paso a paso para cada plataforma.