Guía completa de Ultralytics YOLOv5#
¡Te damos la bienvenida a la documentación de YOLOv5🚀! Ultralytics YOLOv5, la quinta iteración del revolucionario modelo de detección de objetos «Solo miras una vez», está diseñado para ofrecer resultados de alta velocidad y precisión en tiempo real. Aunque YOLOv5 sigue siendo una herramienta potente, considera explorar sus sucesores, Ultralytics YOLOv8, YOLO11 y YOLO26, para conocer los avances más recientes.
Basado en PyTorch, este potente marco de aprendizaje profundo ha alcanzado una enorme popularidad gracias a su versatilidad, facilidad de uso y alto rendimiento. Nuestra documentación te guía por el 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 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 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: Comprende cómo aprovechar varias GPU para acelerar el entrenamiento.
- PyTorch Hub: Aprende a cargar modelos preentrenados a través de PyTorch Hub.
- Exportación a TFLite, ONNX, CoreML y TensorRT 🚀: Comprende cómo exportar tu modelo a distintos formatos.
- Aumento en el momento de la prueba (TTA): Explora 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 del modelo/Dispersión: Comprende 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 🌟 Profundiza en los detalles estructurales del modelo YOLOv5. Lee la publicación del blog sobre YOLOv5 v6.0 para obtener más información.
- Integración del registro con ClearML 🌟 Aprende a integrar ClearML para registrar datos de forma eficiente durante el entrenamiento de tu modelo.
- YOLOv5 con Neural Magic: Descubre cómo usar DeepSparse de Neural Magic para podar y cuantizar tu modelo YOLOv5.
- Comet Logging Integration: Explora cómo utilizar Comet para mejorar el registro del entrenamiento de modelos.
Entornos compatibles#
Ultralytics proporciona una variedad de 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 mediante Ultralytics Platform.
- Cuadernos de 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 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 benchmarks. Garantizan un funcionamiento uniforme y fiable en macOS, Windows y Ubuntu, con pruebas que se realizan cada 24 horas y con cada nuevo commit.
Conecta y contribuye#
Tu experiencia con YOLOv5 no tiene por qué ser solitaria. 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 disfrutar de más contenido interesante.
¿Te interesa contribuir? Aceptamos contribuciones de todo tipo, desde mejoras del código e informes de errores hasta actualizaciones de la documentación. Consulta nuestras directrices para contribuir para obtener más información.
Estamos deseando ver las formas innovadoras en las que utilizarás YOLOv5. ¡Sumérgete, experimenta y revoluciona tus proyectos de visión por ordenador! 🚀
Preguntas frecuentes#
Ultralytics YOLOv5 es conocido por sus capacidades de detección de objetos de alta velocidad y precisión. Basado en PyTorch, es 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 varias técnicas de entrenamiento, como el aumento en el momento de la prueba (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 tu conjunto de datos en el formato requerido y anótalo con etiquetas. Después, configura los parámetros de entrenamiento de YOLOv5 e inicia el proceso de entrenamiento mediante el script
train.py. Para consultar un tutorial detallado sobre este proceso, revisa nuestra guía para entrenar datos personalizados. Incluye instrucciones paso a paso para garantizar resultados óptimos en tu caso de uso específico.Ultralytics YOLOv5 se prefiere frente 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 considerablemente más rápido que el enfoque basado en regiones de RCNN, que implica varias pasadas. Además, la integración fluida de YOLOv5 con diversos 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 la arquitectura.
Optimizar el rendimiento del modelo YOLOv5 implica ajustar diversos hiperparámetros e incorporar técnicas como el aumento de datos y el aprendizaje por transferencia. Ultralytics proporciona recursos completos sobre la evolución de hiperparámetros y la poda/dispersión para mejorar la eficiencia del modelo. Puedes descubrir consejos prácticos en nuestra guía de consejos para obtener los mejores resultados de entrenamiento, que ofrece recomendaciones prácticas para lograr un rendimiento óptimo durante el entrenamiento.
Ultralytics YOLOv5 es compatible con diversos entornos, incluidos notebooks gratuitos con GPU en Gradient, Google Colab y Kaggle, así como con las principales plataformas en la nube, como Google Cloud, Amazon AWS y Azure. También hay imágenes de Docker disponibles para facilitar la configuración. Para consultar una guía detallada sobre la configuración de estos entornos, revisa nuestra sección Entornos compatibles, que incluye instrucciones paso a paso para cada plataforma.