Guide complet de Ultralytics YOLOv5#
Bienvenue dans la documentation d'Ultralytics YOLOv5🚀 ! Ultralytics YOLOv5, la cinquième itération du modèle révolutionnaire de détection d'objets "You Only Look Once", est conçu pour offrir des résultats ultra-rapides et d'une grande précision en temps réel. Bien que YOLOv5 reste un outil puissant, pense à explorer ses successeurs, Ultralytics YOLOv8, YOLO11 et YOLO26, pour découvrir 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 te guide tout au long du processus d'installation, explique les nuances architecturales du modèle, présente divers cas d'usage et propose une série de tutoriels détaillés. Ces ressources t'aideront à exploiter tout le potentiel de YOLOv5 pour tes projets de computer vision. C'est parti !
Explore et apprends#
Voici une compilation de tutoriels complets qui te guideront à travers différents aspects de YOLOv5.
- Entraîner des données personnalisées 🚀 RECOMMANDÉ : Apprends à entraîner le modèle YOLOv5 sur ton jeu de données personnalisé.
- Conseils pour de meilleurs résultats d'entraînement ☘️ : Découvre des conseils pratiques pour optimiser le processus d'entraînement de ton modèle.
- Entraînement multi-GPU : Comprends comment tirer parti de plusieurs GPU pour accélérer ton entraînement.
- PyTorch Hub 🌟 NOUVEAU : Apprends à charger des modèles pré-entraînés via PyTorch Hub.
- Export TFLite, ONNX, CoreML, TensorRT 🚀 : Comprends comment exporter ton modèle vers différents formats.
- Augmentation au moment du test (TTA) : Explore comment utiliser TTA pour améliorer la précision de prédiction de ton modèle.
- Ensemble de modèles : Apprends la stratégie consistant à combiner plusieurs modèles pour de meilleures performances.
- Élagage / Sparsité du modèle : Comprends les concepts d'élagage et de sparsité, et comment créer un modèle plus efficace.
- Évolution des hyperparamètres : Découvre le processus d'optimisation automatisée des hyperparamètres pour de meilleures performances du modèle.
- Apprentissage par transfert avec couches gelées : Apprends à implémenter le transfer learning en gelant des couches dans YOLOv5.
- Résumé de l'architecture 🌟 Plonge dans les détails structurels du modèle YOLOv5. Lis l'article de blog YOLOv5 v6.0 pour plus d'aperçus.
- Intégration du journal ClearML 🌟 Apprends à intégrer ClearML pour un journal efficace lors de l'entraînement de ton modèle.
- YOLOv5 avec Neural Magic : Découvre comment utiliser DeepSparse de Neural Magic pour élaguer et quantifier ton modèle YOLOv5.
- Intégration du journal Comet 🌟 NOUVEAU : Explore comment utiliser Comet pour améliorer le journal d'entraînement de ton modèle.
Environnements pris en charge#
Ultralytics propose une gamme d'environnements prêts à l'emploi, chacun pré-installé avec des dépendances essentielles telles que CUDA, CuDNN, Python et PyTorch, pour lancer tes projets. Tu peux également gérer tes modèles et tes jeux de données à l'aide d'Ultralytics Platform.
- Free GPU Notebooks:
- Google Cloud : Guide de démarrage rapide GCP
- Amazon : Guide de démarrage rapide AWS
- Azure : Guide de démarrage rapide AzureML
- Docker: Docker Quickstart Guide
Statut du projet#
Ce badge indique que tous les tests d'intégration continue (CI) YOLOv5 GitHub Actions s'exécutent avec succès. Ces tests CI vérifient rigoureusement la fonctionnalité et les performances de YOLOv5 sur divers aspects clés : entraînement, validation, inférence, exportation et 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.
Connecte-toi et contribue#
Ton parcours avec YOLOv5 ne doit pas être solitaire. Rejoins notre communauté dynamique sur GitHub, connecte-toi avec des professionnels sur LinkedIn, partage tes résultats sur Twitter et trouve des ressources éducatives sur YouTube. Suis-nous sur TikTok et BiliBili pour du contenu encore plus captivant.
Tu souhaites contribuer ? Nous accueillons les contributions sous toutes leurs formes, qu'il s'agisse d'améliorations de code, de rapports de bugs ou de mises à jour de documentation. Consulte nos directives de contribution pour plus d'informations.
Nous sommes impatients de voir les façons innovantes dont tu utiliseras YOLOv5. Lance-toi, expérimente et révolutionne tes projets de vision par ordinateur ! 🚀
FAQ#
Ultralytics YOLOv5 est reconnu pour ses capacités de détection d'objets à haute vitesse et haute précision. Construit sur PyTorch, il est polyvalent et convivial, ce qui le rend adapté à divers projets de computer vision. Les fonctionnalités clés incluent l'inférence en temps réel, la prise en charge de multiples astuces d'entraînement telles que l'augmentation au moment du test (TTA) et l'ensemble de modèles, ainsi que la compatibilité avec des formats d'exportation tels que TFLite, ONNX, CoreML et TensorRT. Pour approfondir la façon dont Ultralytics YOLOv5 peut propulser ton projet, explore notre guide d'export TFLite, ONNX, CoreML, TensorRT.
Ultralytics YOLOv5 est préféré à des 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 nettement plus rapide par rapport à l'approche basée sur les régions de R-CNN, 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 tant pour les débutants que pour les professionnels. Apprends-en davantage sur les avantages architecturaux dans notre résumé de l'architecture.
L'optimisation des performances du modèle YOLOv5 implique le réglage de divers hyperparamètres et l'intégration de techniques telles que la data augmentation et le transfer learning. Ultralytics fournit des ressources complètes sur l'évolution des hyperparamètres et l'élagage/la sparsité pour améliorer l'efficacité du modèle. Tu peux découvrir des conseils pratiques dans notre guide des conseils pour de meilleurs résultats d'entraînement, qui offre des perspectives exploitables pour atteindre des performances optimales pendant l'entraînement.
Ultralytics YOLOv5 prend en charge une variété d'environnements, y compris des notebooks GPU gratuits sur Gradient, Google Colab et Kaggle, ainsi que les principales plateformes cloud telles que Google Cloud, Amazon AWS et Azure. Des images Docker sont également disponibles pour une installation pratique. Pour un guide détaillé sur la configuration de ces environnements, consulte notre section Environnements pris en charge, qui inclut des instructions étape par étape pour chaque plateforme.
L'entraînement d'un modèle YOLOv5 personnalisé sur ton jeu de données implique quelques étapes clés. Tout d'abord, prépare ton jeu de données dans le format requis, annoté avec des étiquettes. Ensuite, configure les paramètres d'entraînement de YOLOv5 et lance le processus d'entraînement à l'aide du script
train.py. Pour un tutoriel approfondi sur ce processus, consulte notre guide d'entraînement sur données personnalisées. Il fournit des instructions étape par étape pour garantir des résultats optimaux pour ton cas d'usage spécifique.