Guide complet d’Ultralytics YOLOv5#
Bienvenue dans la documentation d’Ultralytics YOLOv5🚀 ! Ultralytics YOLOv5, la cinquième itération du révolutionnaire modèle de détection d’objets « You Only Look Once », est conçu pour fournir des résultats rapides et précis en temps réel. Bien que YOLOv5 reste un outil puissant, pense à découvrir ses successeurs, Ultralytics YOLOv8, YOLO11 et YOLO26, pour profiter des dernières avancées.
Reposant sur PyTorch, ce puissant framework de deep learning a acquis une immense popularité grâce à sa polyvalence, sa facilité d’utilisation et ses performances élevées. Notre documentation te guide tout au long du processus d’installation, explique les particularités architecturales 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 pour tes projets de vision par ordinateur. C’est parti !
Explorer et apprendre#
Voici une compilation de tutoriels complets qui te guideront à travers différents aspects de YOLOv5.
- Entraîner des données personnalisées 🚀 RECOMMANDÉ : découvre comment entraîner le modèle YOLOv5 sur ton propre jeu de données.
- Conseils pour obtenir de meilleurs résultats d’entraînement ☘️ : découvre des conseils pratiques pour optimiser ton processus d’entraînement du modèle.
- Entraînement multi-GPU : comprends comment exploiter plusieurs GPU pour accélérer ton entraînement.
- PyTorch Hub : apprends à charger des modèles pré-entraînés via PyTorch Hub.
- Exportation vers TFLite, ONNX, CoreML et TensorRT 🚀 : comprends comment exporter ton modèle vers différents formats.
- Augmentation au moment du test (TTA) : découvre comment utiliser TTA pour améliorer la précision des prédictions de ton modèle.
- Ensemble de modèles : découvre la stratégie consistant à combiner plusieurs modèles pour améliorer les performances.
- Élagage et parcimonie du modèle : comprends les concepts d’élagage et de parcimonie, ainsi que la manière de créer un modèle plus efficace.
- Évolution des hyperparamètres : découvre le processus d’optimisation des hyperparamètres automatisé 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. Consulte l’article de blog YOLOv5 v6.0 pour en savoir plus.
- Intégration de la journalisation avec ClearML 🌟 apprends à intégrer ClearML pour assurer une journalisation efficace pendant 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 journalisation Comet : découvre comment utiliser Comet pour améliorer la journalisation de l'entraînement de ton modèle.
Environnements pris en charge#
Ultralytics fournit une gamme d’environnements prêts à l’emploi, chacun étant préinstallé avec les dépendances essentielles telles que CUDA, CuDNN, Python et PyTorch, afin de te permettre de démarrer rapidement tes projets. Tu peux également gérer tes modèles et tes jeux de données à l’aide d’Ultralytics Platform.
- Notebooks GPU gratuits :
- Google Cloud : Guide de démarrage rapide de GCP
- Amazon : Guide de démarrage rapide d’AWS
- Azure : Guide de démarrage rapide d’AzureML
- Docker : Guide de démarrage rapide de Docker
État du projet#
Ce badge indique que tous les tests d’intégration continue (CI) de YOLOv5 GitHub Actions passent avec succès. Ces tests de CI vérifient rigoureusement les fonctionnalités et les performances de YOLOv5 sous plusieurs aspects essentiels : entraînement, validation, inférence, exportation et benchmarks. Ils garantissent un fonctionnement cohérent et fiable sur macOS, Windows et Ubuntu, avec des tests exécutés toutes les 24 heures et à chaque nouveau commit.
Se connecter et contribuer#
Ton parcours avec YOLOv5 ne doit pas 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 davantage de contenu captivant.
Tu souhaites contribuer ? Nous accueillons les contributions de toutes sortes, des améliorations du code et rapports de bugs aux mises à jour de la documentation. Consulte nos consignes de contribution pour en savoir plus.
Nous avons hâte de voir les façons innovantes dont tu utiliseras YOLOv5. Lance-toi, expérimente et révolutionne tes projets de vision par ordinateur ! 🚀
FAQ#
Ultralytics YOLOv5 est réputé pour ses capacités de détection d’objets à grande vitesse et à haute précision. Basé 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 plusieurs techniques d’entraînement 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 approfondir la manière dont Ultralytics YOLOv5 peut améliorer ton projet, consulte notre guide d’exportation vers TFLite, ONNX, CoreML et TensorRT.
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 fondée sur les régions de RCNN, qui implique plusieurs passages. De plus, l’intégration fluide de YOLOv5 avec différents formats d’exportation et sa documentation complète en font un excellent choix, aussi bien pour les débutants que pour les professionnels. Découvre les avantages architecturaux dans notre résumé de l’architecture.
L’optimisation des performances d’un modèle YOLOv5 implique l’ajustement de différents 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 et la parcimonie pour améliorer l’efficacité du modèle. Tu trouveras des conseils pratiques dans notre guide des conseils pour obtenir de meilleurs résultats d’entraînement, qui propose des recommandations concrètes pour atteindre des performances optimales pendant l’entraînement.
Ultralytics YOLOv5 prend en charge divers environnements, notamment 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 faciliter la configuration. Pour obtenir un guide détaillé sur la configuration de ces environnements, consulte la section Environnements pris en charge, qui contient des instructions étape par étape pour chaque plateforme.
L’entraînement d’un modèle YOLOv5 personnalisé sur ton jeu de données comporte quelques étapes clés. Commence par préparer ton jeu de données dans le format requis, avec des annotations. Configure ensuite les paramètres d’entraînement de YOLOv5 et lance le processus d’entraînement à l’aide du script
train.py. Pour un tutoriel détaillé sur ce processus, consulte notre guide sur l’entraînement de données personnalisées. Il fournit des instructions étape par étape pour garantir des résultats optimaux selon ton cas d’utilisation.