Passer au contenu

Guide complet d’Ultralytics YOLOv5

Bienvenue dans la documentation YOLOv5🚀 d'Ultralytics ! Ultralytics YOLOv5, la cinquième itération du modèle révolutionnaire de détection d'objets « You Only Look Once », est conçu pour fournir des résultats haute vitesse et haute précision en temps réel. Bien que YOLOv5 reste un outil puissant, pensez à explorer son successeur, Ultralytics YOLOv8, pour les dernières avancées.

Construit sur PyTorch, ce puissant framework de deep learning a acquis une immense popularité pour sa polyvalence, sa facilité d'utilisation et ses hautes performances. Notre documentation vous guide tout au long du processus d'installation, explique les nuances architecturales du modèle, présente divers cas d'utilisation et fournit une série de tutoriels détaillés. Ces ressources vous aideront à exploiter tout le potentiel de YOLOv5 pour vos projets de vision par ordinateur. Commençons !

Explorer et apprendre

Voici une compilation de tutoriels complets qui vous guideront à travers différents aspects de YOLOv5.

Environnements pris en charge

Ultralytics fournit une gamme d'environnements prêts à l'emploi, chacun étant préinstallé avec des dépendances essentielles telles que CUDA, CuDNN, Python et PyTorch, pour démarrer vos projets. Vous pouvez également gérer vos modèles et ensembles de données à l'aide de Ultralytics HUB.

État du projet

YOLOv5 CI

Ce badge indique que tous les tests d'intégration continue (CI) YOLOv5 GitHub Actions réussissent. Ces tests CI vérifient rigoureusement la fonctionnalité et les performances de YOLOv5 à travers divers aspects clés : l'entraînement, la validation, l'inférence, l'exportation et les benchmarks. Ils garantissent un fonctionnement cohérent et fiable sur macOS, Windows et Ubuntu, avec des tests effectués toutes les 24 heures et à chaque nouveau commit.


GitHub Ultralytics espace LinkedIn Ultralytics espace Twitter Ultralytics espace YouTube Ultralytics espace TikTok Ultralytics espace BiliBili Ultralytics espace Discord Ultralytics

Se connecter et contribuer

Votre parcours avec YOLOv5 ne doit pas nécessairement être solitaire. Rejoignez notre communauté dynamique sur GitHub, connectez-vous avec des professionnels sur LinkedIn, partagez vos résultats sur Twitter et trouvez des ressources éducatives sur YouTube. Suivez-nous sur TikTok et BiliBili pour un contenu plus attrayant.

Vous souhaitez contribuer ? Nous accueillons les contributions de toutes sortes, qu'il s'agisse d'améliorations du code, de rapports de bogues ou de mises à jour de la documentation. Consultez nos directives de contribution pour plus d'informations.

Nous sommes impatients de voir les façons innovantes dont vous utiliserez YOLOv5. Lancez-vous, expérimentez et révolutionnez vos projets de vision par ordinateur ! 🚀

FAQ

Quelles sont les principales caractéristiques d'Ultralytics YOLOv5 ?

Ultralytics YOLOv5 est réputé pour ses capacités de détection d'objets à haute vitesse et à haute précision. Construit sur PyTorch, il est polyvalent et convivial, ce qui le rend adapté à divers projets de vision par ordinateur. Les principales caractéristiques comprennent l'inférence en temps réel, la prise en charge de plusieurs astuces d'entraînement telles que l'augmentation au moment du test (TTA) et l'assemblage de modèles, et la compatibilité avec les formats d'exportation tels que TFLite, ONNX, CoreML et TensorRT. Pour approfondir la façon dont Ultralytics YOLOv5 peut améliorer votre projet, explorez notre guide d'exportation TFLite, ONNX, CoreML, TensorRT.

Comment puis-je entraîner un modèle YOLOv5 personnalisé sur mon ensemble de données ?

L'entraînement d'un modèle YOLOv5 personnalisé sur votre jeu de données implique quelques étapes clés. Tout d'abord, préparez votre jeu de données au format requis, annoté avec des étiquettes. Ensuite, configurez les paramètres d'entraînement YOLOv5 et lancez le processus d'entraînement à l'aide du train.py script. Pour un tutoriel approfondi sur ce processus, consultez notre Guide d'entraînement des données personnalisées. Il fournit des instructions étape par étape pour garantir des résultats optimaux pour votre cas d'utilisation spécifique.

Pourquoi devrais-je utiliser Ultralytics YOLOv5 plutôt que d'autres modèles de détection d'objets comme RCNN ?

Ultralytics YOLOv5 est préféré aux modèles tels que R-CNN en raison de sa vitesse et de sa précision supérieures dans la détection d'objets en temps réel. YOLOv5 traite l'image entière en une seule fois, ce qui le rend considérablement plus rapide que l'approche basée sur les régions de RCNN, qui implique plusieurs passes. De plus, l'intégration transparente de YOLOv5 avec divers formats d'exportation et sa documentation complète en font un excellent choix pour les débutants comme pour les professionnels. Pour en savoir plus sur les avantages architecturaux, consultez notre Résumé de l'architecture.

Comment puis-je optimiser les performances du modèle YOLOv5 pendant l'entraînement ?

L'optimisation des performances du modèle YOLOv5 implique le réglage de divers hyperparamètres et l'intégration de techniques telles que l'augmentation des données et l'apprentissage par transfert. Ultralytics fournit des ressources complètes sur l'évolution des hyperparamètres et l'élagage/parcimonie pour améliorer l'efficacité du modèle. Vous pouvez découvrir des conseils pratiques dans notre guide de conseils pour de meilleurs résultats d'entraînement, qui offre des informations exploitables pour obtenir des performances optimales pendant l'entraînement.

Quels environnements sont pris en charge pour l’exécution des applications YOLOv5 ?

Ultralytics YOLOv5 prend en charge une variété d'environnements, y compris les notebooks GPU gratuits sur Gradient, Google Colab et Kaggle, ainsi que les principales plateformes cloud comme Google Cloud, Amazon AWS et Azure. Des images Docker sont également disponibles pour une configuration pratique. Pour un guide détaillé sur la configuration de ces environnements, consultez notre section Environnements pris en charge, qui comprend des instructions étape par étape pour chaque plateforme.



📅 Créé il y a 1 an ✏️ Mis à jour il y a 2 mois

Commentaires