Guide complet d’Ultralytics YOLOv5#
Bienvenue dans la documentation d’Ultralytics YOLOv5 🚀 ! Ultralytics YOLOv5, cinquième itération du modèle révolutionnaire de détection d’objets « You Only Look Once », est conçu pour fournir des résultats rapides et précis en temps réel. YOLOv5 reste un outil puissant, mais pense à découvrir ses successeurs, Ultralytics YOLOv8, YOLO11 et YOLO26, qui intègrent les dernières avancées.
Construit sur PyTorch, ce puissant framework d’apprentissage profond a acquis une immense popularité grâce à sa polyvalence, sa facilité d’utilisation et ses performances élevées. Notre documentation te guide dans le processus d’installation, explique les particularités de l’architecture du modèle, présente différents cas d’utilisation et propose une série de tutoriels détaillés. Ces ressources t’aideront à exploiter tout le potentiel de YOLOv5 dans tes projets de vision par ordinateur. Commençons !
Découvrir et apprendre#
Voici un ensemble de tutoriels complets qui te guideront à travers différents aspects de YOLOv5.
- Entraîner sur des données personnalisées 🚀 RECOMMANDÉ : apprends à entraîner le modèle YOLOv5 sur ton jeu de données personnalisé.
- Conseils pour obtenir les meilleurs résultats d’entraînement ☘️ : découvre des conseils pratiques pour optimiser le processus d’entraînement de ton modèle.
- Entraînement multi-GPU : découvre comment tirer parti de plusieurs GPU pour accélérer l’entraînement.
- PyTorch Hub : apprends à charger des modèles préentraînés via PyTorch Hub.
- Exportation vers TFLite, ONNX, CoreML et TensorRT 🚀 : découvre comment exporter ton modèle vers différents formats.
- Augmentation au moment du test (TTA) : découvre comment utiliser la TTA pour améliorer la précision des prédictions de ton modèle.
- Ensemble de modèles : apprends à combiner plusieurs modèles pour améliorer les performances.
- Élagage et parcimonie du modèle : découvre les concepts d’élagage et de parcimonie, ainsi que la manière de créer un modèle plus efficace.
- Évolution des hyperparamètres : découvre le processus de réglage automatique des hyperparamètres pour améliorer les performances du modèle.
- Apprentissage par transfert avec des couches gelées : apprends à mettre en œuvre l’apprentissage par transfert en gelant des couches dans YOLOv5.
- Résumé de l’architecture 🌟 Découvre les détails structurels du modèle YOLOv5. Lis l’article de blog sur YOLOv5 v6.0 pour en savoir plus.
- Intégration de la journalisation ClearML 🌟 Apprends à intégrer ClearML pour journaliser efficacement l’entraînement de ton modèle.
- YOLOv5 avec Neural Magic : découvre comment utiliser DeepSparse de Neural Magic pour élaguer et quantifier ton modèle YOLOv5.
- Intégration de la journalisation Comet : découvre comment utiliser Comet pour améliorer la journalisation de l’entraînement de ton modèle.
Environnements pris en charge#
Ultralytics propose plusieurs environnements prêts à l’emploi, chacun préinstallé avec les dépendances essentielles, telles que CUDA, CuDNN, Python et PyTorch, pour te permettre de démarrer tes projets. Tu peux aussi gérer tes modèles et tes jeux de données avec Ultralytics Platform.
- 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) de GitHub Actions pour YOLOv5 réussissent. Ces tests CI vérifient rigoureusement le fonctionnement et les performances de YOLOv5 dans plusieurs domaines clés : entraînement, validation, inférence, exportation et tests de performance. Ils garantissent un fonctionnement cohérent et fiable sur macOS, Windows et Ubuntu, grâce à des tests effectués toutes les 24 heures et à chaque nouveau commit.
Échanger et contribuer#
Ton parcours avec YOLOv5 n’a pas à être solitaire. Rejoins notre communauté dynamique sur GitHub, échange avec des professionnels sur LinkedIn, partage tes résultats sur Twitter et trouve des ressources pédagogiques sur YouTube. Suis-nous sur TikTok et BiliBili pour découvrir du contenu encore plus captivant.
Tu souhaites contribuer ? Nous accueillons toutes les formes de contribution, des améliorations de code et rapports de bogues aux mises à jour de la documentation. Consulte nos consignes de contribution pour en savoir plus.
Nous avons hâte de découvrir les façons innovantes dont tu utiliseras YOLOv5. Lance-toi, expérimente et révolutionne tes projets de vision par ordinateur ! 🚀
FAQ#
Ultralytics YOLOv5 est réputé pour sa vitesse élevée et ses capacités de détection d’objets très précises. Construit sur PyTorch, il est polyvalent et facile à utiliser, ce qui le rend adapté à divers projets de vision par ordinateur. Ses principales fonctionnalités comprennent l’inférence en temps réel, la prise en charge de techniques d’inférence telles que l’augmentation au moment du test (TTA) et les ensembles de modèles, ainsi que la compatibilité avec des formats d’exportation tels que TFLite, ONNX, CoreML et TensorRT. Pour découvrir plus en détail comment Ultralytics YOLOv5 peut faire progresser ton projet, consulte notre guide d’exportation vers TFLite, ONNX, CoreML et TensorRT.
L’entraînement d’un modèle YOLOv5 personnalisé sur ton jeu de données comporte quelques étapes clés. Tout d’abord, prépare ton jeu de données au format requis et annote-le avec des étiquettes. Configure ensuite les paramètres d’entraînement de YOLOv5 et lance le processus à l’aide du script
train.py. Pour suivre un tutoriel détaillé sur ce processus, consulte notre guide d’entraînement sur des données personnalisées. Il fournit des instructions étape par étape pour obtenir des résultats optimaux dans ton cas d’utilisation spécifique.Ultralytics YOLOv5 est préféré à des modèles comme R-CNN en raison de sa vitesse et de sa précision supérieures pour la détection d’objets en temps réel. YOLOv5 traite l’image entière en une seule fois, ce qui le rend nettement plus rapide que l’approche par régions de RCNN, qui nécessite plusieurs passages. De plus, l’intégration fluide de YOLOv5 avec différents formats d’exportation et sa documentation complète en font un excellent choix pour les débutants comme pour les professionnels. Découvre les avantages de son architecture dans notre résumé de l’architecture.
Pour optimiser les performances de YOLOv5, il faut régler différents hyperparamètres et intégrer des techniques telles que l’augmentation des données et l’apprentissage par transfert. Ultralytics propose des ressources complètes sur l’évolution des hyperparamètres et l’élagage et la parcimonie afin d’améliorer l’efficacité du modèle. Tu trouveras des conseils pratiques dans notre guide pour obtenir les meilleurs résultats d’entraînement, qui propose des pistes concrètes pour atteindre des performances optimales pendant l’entraînement.
Ultralytics YOLOv5 prend en charge différents environnements, notamment des 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 faciliter la configuration. Pour découvrir en détail comment configurer ces environnements, consulte notre section Environnements pris en charge, qui propose des instructions étape par étape pour chaque plateforme.