<a href="https://github.com/ultralytics/ultralytics/actions/workflows/ci.yml"><img src="https://github.com/ultralytics/ultralytics/actions/workflows/ci.yml/badge.svg" alt="Ultralytics CI"></a>
<a href="https://clickpy.clickhouse.com/dashboard/ultralytics"><img src="https://static.pepy.tech/badge/ultralytics" alt="Ultralytics Downloads"></a>
<a href="https://discord.com/invite/ultralytics"><img alt="Ultralytics Discord" src="https://img.shields.io/discord/1089800235347353640?logo=discord&logoColor=white&label=Discord&color=blue"></a>
<a href="https://community.ultralytics.com/"><img alt="Ultralytics Forums" src="https://img.shields.io/discourse/users?server=https%3A%2F%2Fcommunity.ultralytics.com&logo=discourse&label=Forums&color=blue"></a>
<a href="https://www.reddit.com/r/ultralytics/"><img alt="Ultralytics Reddit" src="https://img.shields.io/reddit/subreddit-subscribers/ultralytics?style=flat&logo=reddit&logoColor=white&label=Reddit&color=blue"></a>
<br>
<a href="https://console.paperspace.com/github/ultralytics/ultralytics"><img src="https://assets.paperspace.io/img/gradient-badge.svg" alt="Run Ultralytics on Gradient"></a>
<a href="https://colab.research.google.com/github/ultralytics/ultralytics/blob/main/examples/tutorial.ipynb"><img src="https://colab.research.google.com/assets/colab-badge.svg" alt="Open Ultralytics In Colab"></a>
<a href="https://www.kaggle.com/models/ultralytics/yolo26"><img src="https://kaggle.com/static/images/open-in-kaggle.svg" alt="Open Ultralytics In Kaggle"></a>
<a href="https://mybinder.org/v2/gh/ultralytics/ultralytics/HEAD?labpath=examples%2Ftutorial.ipynb"><img src="https://mybinder.org/badge_logo.svg" alt="Open Ultralytics In Binder"></a>

Guide complet d'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 fournir des résultats rapides et précis en temps réel. Bien que YOLOv5 reste un outil puissant, envisage de découvrir ses successeurs, Ultralytics YOLOv8, YOLO11 et YOLO26, pour profiter des dernières avancées.

Basé 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 t'accompagne 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 t'aideront à exploiter tout le potentiel de YOLOv5 pour tes projets de computer vision. Commençons !

Explorer et apprendre

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

• Entraîner sur des données personnalisées 🚀 RECOMMANDÉ : Apprends à entraîner le modèle YOLOv5 sur ton propre jeu de données.
• Conseils pour de meilleurs résultats d'entraînement ☘️ : Découvre des astuces pratiques pour optimiser ton processus d'entraînement de 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 lors des tests (TTA) : Explore comment utiliser le TTA pour améliorer la précision des prédictions de ton modèle.
• Ensemble de modèles : Apprends la stratégie consistant à combiner plusieurs modèles pour améliorer les performances.
• Élagage/Sparsité de modèle : Comprends les concepts d'élagage et de sparsité, et comment créer un modèle plus efficace.
• Évolution des hyperparamètres : Découvre le processus de réglage des hyperparamètres automatisé pour une meilleure performance du modèle.
• Apprentissage par transfert avec couches gelées : Apprends à implémenter l'apprentissage par transfert 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'informations.
• Intégration de journalisation ClearML 🌟 Apprends à intégrer ClearML pour 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 🌟 NOUVEAU : Explore comment utiliser Comet pour une meilleure journalisation de l'entraînement des modèles.

Environnements pris en charge

Ultralytics fournit 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 rapidement. Tu peux également gérer tes modèles et tes jeux de données en utilisant 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) des GitHub Actions de YOLOv5 réussissent. Ces tests CI vérifient rigoureusement la fonctionnalité et les performances de YOLOv5 sous divers aspects clés : entraînement, validation, inférence, export 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 aventure avec YOLOv5 ne doit pas forcément 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 plus de contenu captivant.

Intéressé pour contribuer ? Nous accueillons les contributions sous toutes leurs formes, des améliorations de code et rapports de bugs aux mises à jour de la documentation. Consulte nos directives de contribution pour plus d'informations.

Nous sommes impatients de voir les manières innovantes dont tu utiliseras YOLOv5. Lance-toi, expérimente et révolutionne tes projets de computer vision ! 🚀

FAQ

Quelles sont les fonctionnalités clés d'Ultralytics YOLOv5 ?

Ultralytics YOLOv5 est reconnu pour ses capacités de détection d'objets haute vitesse et haute précision. Basé sur PyTorch, il est polyvalent et convivial, ce qui le rend adapté à divers projets de computer vision. Ses fonctionnalités clés incluent l'inférence en temps réel, la prise en charge de plusieurs astuces d'entraînement comme l'augmentation lors des tests (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 faire progresser ton projet, explore notre guide d'export TFLite, ONNX, CoreML, TensorRT.

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

L'entraînement d'un modèle YOLOv5 personnalisé sur ton jeu de données implique quelques étapes clés. D'abord, prépare ton jeu de données dans le format requis, annoté avec des étiquettes. Ensuite, configure les paramètres d'entraînement de YOLOv5 et démarre le processus d'entraînement en utilisant le script train.py. Pour un tutoriel approfondi sur ce processus, consulte notre guide d'entraînement sur des données personnalisées. Il fournit des instructions étape par étape pour garantir des résultats optimaux pour ton 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 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 par rapport à l'approche basée sur les régions de RCNN, qui implique plusieurs passages. De plus, l'intégration transparente de YOLOv5 avec divers formats d'exportation et sa documentation étendue en font un excellent choix pour les débutants comme pour les professionnels. Apprends-en davantage sur les avantages architecturaux dans 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 de régler divers hyperparamètres et d'incorporer des techniques telles que l'augmentation de données et l'apprentissage par transfert. Ultralytics fournit des ressources complètes sur l'évolution des hyperparamètres et l'élagage/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.

Quels environnements sont pris en charge pour exécuter des applications YOLOv5 ?

Ultralytics YOLOv5 prend en charge une variété d'environnements, y compris des notebooks GPU gratuits sur Gradient, Google Colab et Kaggle, ainsi que des plateformes cloud majeures 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, consulte notre section Environnements pris en charge, qui inclut des instructions étape par étape pour chaque plateforme.