Guide complet pour Ultralytics YOLOv5

Q: What are the key features of Ultralytics YOLOv5?

Ultralytics YOLOv5 est réputé pour ses capacités de détection d'objets à grande 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. Ses principales caractéristiques sont l'inférence en temps réel, la prise en charge de plusieurs méthodes d'entraînement telles que l'augmentation test-temps (TTA) et l'assemblage de modèles, et la compatibilité avec des formats d'exportation tels que TFLite, ONNX, CoreML, et TensorRT. Pour savoir comment Ultralytics YOLOv5 peut améliorer ton projet, consulte notre guide d'exportation TFLite, ONNX, CoreML, TensorRT .

Q: How can I train a custom YOLOv5 model on my dataset?

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 de formation de YOLOv5 et lance le processus de formation à l'aide du script train.py. Pour un tutoriel approfondi sur ce processus, consulte notre guide Former des données personnalisées. Il fournit des instructions étape par étape pour garantir des résultats optimaux pour ton cas d'utilisation spécifique.

Q: How can I optimize YOLOv5 model performance during training?

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/l'éparpillement afin d'améliorer l'efficacité des modèles. Tu peux découvrir des conseils pratiques dans notre guide Conseils pour obtenir les meilleurs résultats de formation, qui offre des pistes d'action pour obtenir des performances optimales pendant la formation.

Bienvenue sur le site Ultralytics' YOLOv5🚀 Documentation! YOLOv5, the fifth iteration of the revolutionary "You Only Look Once" object detection model, is designed to deliver high-speed, high-accuracy results in real-time.

Built on PyTorch, this powerful deep learning framework has garnered immense popularity for its versatility, ease of use, and high performance. Our documentation guides you through the installation process, explains the architectural nuances of the model, showcases various use-cases, and provides a series of detailed tutorials. These resources will help you harness the full potential of YOLOv5 for your computer vision projects. Let's get started!

Explore et apprends

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

Entraîner les données personn alisées 🚀 RECOMMANDÉ : Apprends à entraîner le modèle YOLOv5 sur ton ensemble de données personnalisées.
Conseils pour obtenir les meilleurs résultats de formation ☘️ : Découvre des conseils pratiques pour optimiser ton processus de formation aux modèles.
Formation multiGPU : Comprends comment tirer parti de plusieurs GPU pour accélérer ta formation.
PyTorch Hub 🌟 NOUVEAU : Apprends à charger des modèles pré-entraînés via PyTorch Hub.
TFLite, ONNX, CoreML, TensorRT Export 🚀 : Comprendre comment exporter ton modèle dans différents formats.
Augmentation du temps d'essai (TTA): Explore comment utiliser la TTA pour améliorer la précision des prédictions de ton modèle.
Assemblage de modèles: Apprends la stratégie qui consiste à combiner plusieurs modèles pour améliorer les performances.
Élagage du modèle et éparpillement: Comprendre les concepts d'élagage et d'éparpillement, et comment créer un modèle plus efficace.
Hyperparameter Evolution: Discover the process of automated hyperparameter tuning for better model performance.
Transfer Learning with Frozen Layers: Learn how to implement transfer learning by freezing layers in YOLOv5.
Résumé de l'architecture 🌟 Plonge dans les détails structurels du modèle YOLOv5 .
Roboflow for Datasets: Understand how to utilize Roboflow for dataset management, labeling, and active learning.
ClearML Journalisation 🌟 Apprends à intégrer ClearML pour une journalisation efficace pendant l'entraînement de ton modèle.
YOLOv5 avec Neural Magic Découvre comment utiliser Neural Magic's Deepsparse pour élaguer et quantifier ton modèle YOLOv5 .
Comet Journalisation 🌟 NOUVEAU : Explore comment utiliser Comet pour améliorer la journalisation de l'entraînement au 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, Pythonet PyTorchpour lancer tes projets.

Carnets de notes gratuits GPU:
Google Cloud: Guide de démarrage rapide de GCP
Amazon: Guide de démarrage rapide AWS
Azure: Guide de démarrage rapide d'AzureML
Docker: Guide de démarrage rapide de Docker

Statut du projet

Ce badge indique que tous les tests d'intégration continue (CI) de YOLOv5 GitHub Actions sont passés avec succès. Ces tests CI vérifient rigoureusement la fonctionnalité et les performances de YOLOv5 sur différents 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 voyage avec YOLOv5 n'a pas besoin d'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 engageant.

Tu souhaites contribuer ? Nous acceptons toutes les formes de contribution, qu'il s'agisse d'améliorations du code, de rapports de bogues ou de mises à jour de la documentation. Consulte nos directives de contribution pour plus d'informations.

Nous sommes impatients de voir les façons novatrices dont tu utiliseras YOLOv5. Plonge, expérimente et révolutionne tes projets de vision par ordinateur ! 🚀

FAQ

Quelles sont les principales caractéristiques de Ultralytics YOLOv5 ?

Ultralytics YOLOv5 is renowned for its high-speed and high-accuracy object detection capabilities. Built on PyTorch, it is versatile and user-friendly, making it suitable for various computer vision projects. Key features include real-time inference, support for multiple training tricks like Test-Time Augmentation (TTA) and Model Ensembling, and compatibility with export formats such as TFLite, ONNX, CoreML, and TensorRT. To delve deeper into how Ultralytics YOLOv5 can elevate your project, explore our TFLite, ONNX, CoreML, TensorRT Export guide.

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

L'entraînement d'un modèle YOLOv5 personnalisé sur ton ensemble 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 de formation de YOLOv5 et démarre le processus de formation à l'aide de la commande train.py script. Pour un tutoriel approfondi sur ce processus, consulte notre Former le guide 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 RCNN en raison de sa vitesse et de sa précision supérieures dans la détection d'objets en temps réel. YOLOv5 traite l'ensemble de l'image en une seule fois, ce qui le rend beaucoup plus rapide que l'approche par région de RCNN, qui implique plusieurs passages. De plus, l'intégration transparente de YOLOv5 avec différents 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, consulte notre résumé de l'architecture.

Comment puis-je optimiser les performances du modèle YOLOv5 pendant la formation ?

Optimizing YOLOv5 model performance involves tuning various hyperparameters and incorporating techniques like data augmentation and transfer learning. Ultralytics provides comprehensive resources on hyperparameter evolution and pruning/sparsity to improve model efficiency. You can discover practical tips in our Tips for Best Training Results guide, which offers actionable insights for achieving optimal performance during training.

Quels sont les environnements pris en charge pour l'exécution des applications YOLOv5 ?

Ultralytics YOLOv5 prend en charge une variété d'environnements, y compris les carnets gratuits GPU sur Gradient, Google Colab, Kaggle, ainsi que les principales plateformes en nuage 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 comprend des instructions étape par étape pour chaque plateforme.

📅 Created 11 months ago ✏️ Updated 2 days ago