Saltar al contenido

Gu铆a completa de Ultralytics YOLOv5

Ultralytics YOLOv5 banner v7.0

YOLOv5 CI YOLOv5 Cita Tirones de Docker
Ejecutar en Gradiente Abrir en Colab Abrir en Kaggle

Bienvenido a Ultralytics' YOLOv5馃殌 隆Documentaci贸n! YOLOv5 la quinta iteraci贸n del revolucionario modelo de detecci贸n de objetos "S贸lo se mira una vez", est谩 dise帽ado para ofrecer resultados de alta velocidad y gran precisi贸n en tiempo real.

Construido sobre PyTorch, este potente marco de aprendizaje profundo ha cosechado una inmensa popularidad por su versatilidad, facilidad de uso y alto rendimiento. Nuestra documentaci贸n te gu铆a a trav茅s del proceso de instalaci贸n, explica los matices arquitect贸nicos del modelo, muestra varios casos de uso y proporciona una serie de tutoriales detallados. Estos recursos te ayudar谩n a aprovechar todo el potencial de YOLOv5 para tus proyectos de visi贸n por ordenador. 隆Vamos a empezar!

Explora y aprende

Aqu铆 tienes una recopilaci贸n de completos tutoriales que te guiar谩n a trav茅s de diferentes aspectos de YOLOv5.

  • Entrenar datos personalizados 馃殌 RECOMENDADO: Aprende a entrenar el modelo YOLOv5 en tu conjunto de datos personalizado.
  • Consejos para obtener los mejores resultados de entrenamiento 鈽橈笍: Descubre consejos pr谩cticos para optimizar tu proceso de entrenamiento de modelos.
  • Formaci贸n Multi-GPU: Comprende c贸mo aprovechar varias GPU para agilizar tu formaci贸n.
  • PyTorch Hub 馃専 NUEVO: Aprende a cargar modelos preentrenados a trav茅s de PyTorch Hub.
  • TFLite, ONNX, CoreML, TensorRT Exportar 馃殌: Comprende c贸mo exportar tu modelo a diferentes formatos.
  • Despliegue en la plataforma NVIDIA Jetson 馃専 NUEVO: Aprende a desplegar tu modelo YOLOv5 en la plataforma NVIDIA Jetson.
  • Aumento del tiempo de prueba (TTA): Explora c贸mo utilizar el TTA para mejorar la precisi贸n de predicci贸n de tu modelo.
  • Ensamblaje de modelos: Aprende la estrategia de combinar varios modelos para mejorar el rendimiento.
  • Poda de modelos/espaciosidad: Comprende los conceptos de poda y dispersi贸n, y c贸mo crear un modelo m谩s eficiente.
  • Evoluci贸n de los hiperpar谩metros: Descubre el proceso de ajuste automatizado de hiperpar谩metros para mejorar el rendimiento del modelo.
  • Aprendizaje por transferencia con capas congeladas: Aprende a aplicar el aprendizaje por transferencia congelando capas en YOLOv5.
  • Resumen de la arquitectura 馃専 Profundiza en los detalles estructurales del modelo YOLOv5 .
  • Roboflow para Conjuntos de Datos: Comprende c贸mo utilizar Roboflow para la gesti贸n de conjuntos de datos, el etiquetado y el aprendizaje activo.
  • ClearML Registro 馃専 Aprende a integrar ClearML para un registro eficaz durante el entrenamiento de tu modelo.
  • YOLOv5 con Neural Magic Descubre c贸mo utilizar Neural Magic's Deepsparse para podar y cuantizar tu modelo YOLOv5 .
  • Comet Registro 馃専 NUEVO: Explora c贸mo utilizar Comet para mejorar el registro del entrenamiento del modelo.

Entornos compatibles

Ultralytics proporciona una serie de entornos listos para usar, cada uno de ellos preinstalado con dependencias esenciales como CUDA, CUDNN, Pythony PyTorchpara poner en marcha tus proyectos.

Estado del proyecto

YOLOv5 CI

Este distintivo indica que todas las pruebas de Integraci贸n Continua (IC) de las Acciones de GitHub deYOLOv5 se han superado con 茅xito. Estas pruebas de IC comprueban rigurosamente la funcionalidad y el rendimiento de YOLOv5 en varios aspectos clave: formaci贸n, validaci贸n, inferencia, exportaci贸n y puntos de referencia. Garantizan un funcionamiento coherente y fiable en macOS, Windows y Ubuntu, con pruebas realizadas cada 24 horas y con cada nueva confirmaci贸n.


Ultralytics GitHub espacio Ultralytics LinkedIn espacio Ultralytics Twitter espacio Ultralytics YouTube espacio Ultralytics TikTok espacio Ultralytics Instagram espacio Ultralytics Discordia

Con茅ctate y contribuye

Tu viaje con YOLOv5 no tiene por qu茅 ser solitario. 脷nete a nuestra vibrante comunidad en GitHub, conecta con profesionales en LinkedIn, comparte tus resultados en Twitter y encuentra recursos educativos en YouTube. S铆guenos en TikTok e Instagram para obtener m谩s contenido atractivo.

驴Te interesa contribuir? Aceptamos contribuciones de todo tipo, desde mejoras del c贸digo e informes de errores hasta actualizaciones de la documentaci贸n. Consulta nuestras directrices de contribuci贸n para obtener m谩s informaci贸n.

Nos entusiasma ver las formas innovadoras en que utilizar谩s YOLOv5. 隆Sum茅rgete, experimenta y revoluciona tus proyectos de visi贸n por ordenador! 馃殌



Creado 2023-11-12, Actualizado 2024-05-08
Autores: Burhan-Q (1), glenn-jocher (6), sergiuwaxmann (1)

Comentarios