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.
- Entraîner des données personnalisées 🚀 RECOMMANDÉ : Apprenez à entraîner le modèle YOLOv5 sur votre ensemble de données personnalisé.
- Conseils pour obtenir les meilleurs résultats d'entraînement ☘️ : Découvrez des conseils pratiques pour optimiser votre processus d'entraînement de modèle.
- Formation multi-GPU : comprenez comment tirer parti de plusieurs GPU pour accélérer votre formation.
- PyTorch Hub 🌟 NOUVEAU : Apprenez à charger des modèles pré-entraînés via PyTorch Hub.
- Exportation TFLite, ONNX, CoreML, TensorRT 🚀 : Comprenez comment exporter votre modèle vers différents formats.
- Test-Time Augmentation (TTA) : Découvrez comment utiliser TTA pour améliorer la précision de prédiction de votre modèle.
- Assemblage de modèles : découvrez la stratégie de combinaison de plusieurs modèles pour améliorer les performances.
- Élagage/Densité clairsemée de modèle : comprenez les concepts d'élagage et de densité clairsemée, et comment créer un modèle plus efficace.
- Évolution des hyperparamètres : découvrez le processus de réglage automatisé des hyperparamètres pour de meilleures performances du modèle.
- Apprentissage par transfert avec des couches gelées : Apprenez à implémenter l'apprentissage par transfert en gelant les couches dans YOLOv5.
- Résumé de l'architecture 🌟 Plongez dans les détails structurels du modèle YOLOv5. Lisez l'article de blog YOLOv5 v6.0 pour plus d'informations.
- Intégration de la journalisation ClearML 🌟 Découvrez comment intégrer ClearML pour une journalisation efficace pendant l'entraînement de votre modèle.
- YOLOv5 avec Neural Magic Découvrez comment utiliser DeepSparse de Neural Magic pour élaguer et quantifier votre modèle YOLOv5.
- Intégration de la journalisation Comet 🌟 NOUVEAU : Découvrez comment utiliser Comet pour améliorer la journalisation de l'entraînement de votre modèle.
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.
- Notebooks GPU Gratuits:
- Google Cloud : Guide de démarrage rapide GCP
- Amazon : Guide de démarrage rapide AWS
- Azure : Guide de démarrage rapide AzureML
- Docker: Guide de démarrage rapide Docker
État du projet
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.
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.