Guía completa de Ultralytics YOLOv5#
¡Te damos la bienvenida a la documentación de Ultralytics YOLOv5🚀! 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. Aunque YOLOv5 sigue siendo una herramienta potente, considera explorar sus sucesores, Ultralytics YOLOv8, YOLO11 y YOLO26, para conocer los últimos avances.
Construido sobre PyTorch, este potente marco de aprendizaje profundo se 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 ofrece 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 tienes una recopilación de tutoriales completos que te guiarán a través de diferentes aspectos de YOLOv5.
- Entrenar datos personalizados 🚀 RECOMENDADO: Aprende a entrenar el modelo YOLOv5 con tu conjunto de datos personalizado.
- Consejos para obtener los mejores resultados de entrenamiento ☘️: Descubre consejos prácticos para optimizar el proceso de entrenamiento de tu modelo.
- Entrenamiento con múltiples GPU: Comprende cómo aprovechar varias GPU para acelerar tu entrenamiento.
- PyTorch Hub 🌟 NUEVO: Aprende a cargar modelos preentrenados a través de PyTorch Hub.
- Exportación a TFLite, ONNX, CoreML, TensorRT 🚀: Comprende cómo exportar tu modelo a diferentes formatos.
- Aumento de datos en tiempo de prueba (TTA): Explora cómo usar 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 y dispersión de modelos: 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 un mejor rendimiento del modelo.
- Aprendizaje por transferencia con capas congeladas: Aprende a implementar el aprendizaje por transferencia congelando capas en YOLOv5.
- Resumen de la arquitectura 🌟 Adéntrate en los detalles estructurales del modelo YOLOv5. Lee la entrada de blog sobre YOLOv5 v6.0 para obtener más información.
- Integración de registro con ClearML 🌟 Aprende a integrar ClearML para un registro eficiente durante el entrenamiento de tu modelo.
- YOLOv5 con Neural Magic: Descubre cómo usar Neural Magic's DeepSparse para podar y cuantizar tu modelo YOLOv5.
- Integración de registro con Comet 🌟 NUEVO: Explora cómo utilizar Comet para mejorar el registro del entrenamiento del modelo.
Entornos admitidos#
Ultralytics ofrece una variedad de entornos listos para usar, cada uno preinstalado con dependencias esenciales como CUDA, CuDNN, Python y PyTorch, para poner en marcha tus proyectos. También puedes gestionar tus modelos y conjuntos de datos utilizando Ultralytics Platform.
- Free GPU Notebooks:
- Google Cloud: Guía de inicio rápido de GCP
- Amazon: AWS Quickstart Guide
- Azure: AzureML Quickstart Guide
- Docker: Docker Quickstart Guide
Estado del proyecto#
Este distintivo indica que todas las pruebas de Integración Continua (CI) de YOLOv5 GitHub Actions se están superando con éxito. Estas pruebas de CI comprueban rigurosamente la funcionalidad y el rendimiento de YOLOv5 en varios aspectos clave: training, validation, inference, export y benchmarks. Garantizan un funcionamiento coherente y fiable en macOS, Windows y Ubuntu, con pruebas realizadas cada 24 horas y con cada nuevo commit.
Conecta 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 contenido interesante.
¿Te interesa contribuir? Aceptamos contribuciones de todo tipo, desde mejoras de código y reportes de errores hasta actualizaciones de documentación. Consulta nuestras pautas de contribución para obtener más información.
Estamos emocionados de ver las formas innovadoras en las que utilizarás YOLOv5. ¡Sumérgete, experimenta y revoluciona tus proyectos de visión artificial! 🚀
FAQ#
Ultralytics YOLOv5 es conocido por sus capacidades de detección de objetos de alta velocidad y alta precisión. Basado en PyTorch, es versátil y fácil de usar, lo que lo hace adecuado para varios proyectos de visión artificial. Las características clave incluyen inferencia en tiempo real, soporte para múltiples trucos de entrenamiento como el aumento de datos en tiempo de prueba (TTA) y el ensamblaje de modelos, y compatibilidad con formatos de exportación como TFLite, ONNX, CoreML y TensorRT. Para profundizar en cómo Ultralytics YOLOv5 puede mejorar tu proyecto, explora nuestra guía de exportación a TFLite, ONNX, CoreML, TensorRT.
Entrenar un modelo YOLOv5 personalizado con tu conjunto de datos implica unos pocos pasos clave. Primero, 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 el script
train.py. Para obtener un tutorial detallado sobre este proceso, consulta nuestra guía de entrenamiento de datos personalizados. Ofrece instrucciones paso a paso para garantizar resultados óptimos en tu caso de uso específico.Ultralytics YOLOv5 se prefiere frente a modelos como R-CNN 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 integración perfecta de YOLOv5 con varios formatos de exportación y su amplia documentación lo convierten en una excelente opción tanto para principiantes como para profesionales. Obtén más información sobre las ventajas arquitectónicas en nuestro resumen de arquitectura.
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 hiperparámetros y la poda y dispersión para mejorar la eficiencia del modelo. Puedes descubrir consejos prácticos en nuestra guía de consejos para los mejores resultados de entrenamiento, que ofrece información práctica para lograr un rendimiento óptimo durante el entrenamiento.
Ultralytics YOLOv5 es compatible con una variedad de entornos, incluidos notebooks de GPU gratuitos en Gradient, Google Colab y Kaggle, así como en las principales plataformas en la nube como Google Cloud, Amazon AWS y Azure. También hay imágenes de Docker disponibles para una configuración cómoda. Para obtener una guía detallada sobre cómo configurar estos entornos, consulta nuestra sección de entornos compatibles, que incluye instrucciones paso a paso para cada plataforma.