Meet YOLO26: next-gen vision AI.

Ultralytics YOLOv5 v7.0 banner 

<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>

Link to this sectionGuida completa a Ultralytics YOLOv5#

Benvenuto nella documentazione di Ultralytics YOLOv5🚀! Ultralytics YOLOv5, la quinta iterazione del rivoluzionario modello "You Only Look Once" per il rilevamento di oggetti, è progettato per offrire risultati ad alta velocità e precisione in tempo reale. Sebbene YOLOv5 rimanga uno strumento potente, prendi in considerazione l'esplorazione dei suoi successori, Ultralytics YOLOv8, YOLO11 e YOLO26, per gli ultimi progressi.

Basato su PyTorch, questo potente framework di deep learning ha ottenuto un'immensa popolarità per la sua versatilità, facilità d'uso e alte prestazioni. La nostra documentazione ti guida attraverso il processo di installazione, spiega le sfumature architetturali del modello, mostra vari casi d'uso e fornisce una serie di tutorial dettagliati. Queste risorse ti aiuteranno a sfruttare tutto il potenziale di YOLOv5 per i tuoi progetti di visione artificiale. Iniziamo!

Link to this sectionEsplora e impara#

Ecco una raccolta di tutorial completi che ti guideranno attraverso diversi aspetti di YOLOv5.

Link to this sectionAmbienti supportati#

Ultralytics fornisce una gamma di ambienti pronti all'uso, ciascuno pre-installato con dipendenze essenziali come CUDA, CuDNN, Python e PyTorch, per avviare i tuoi progetti. Puoi anche gestire i tuoi modelli e set di dati utilizzando Ultralytics Platform.

Link to this sectionStato del progetto#

YOLOv5 CI

Questo badge indica che tutti i test di Continuous Integration (CI) di YOLOv5 GitHub Actions vengono superati con successo. Questi test CI controllano rigorosamente la funzionalità e le prestazioni di YOLOv5 attraverso vari aspetti chiave: addestramento, validazione, inferenza, esportazione e benchmark. Garantiscono un funzionamento coerente e affidabile su macOS, Windows e Ubuntu, con test condotti ogni 24 ore e ad ogni nuovo commit.


Ultralytics GitHub Ultralytics LinkedIn Ultralytics Twitter Ultralytics YouTube Ultralytics TikTok Ultralytics BiliBili Ultralytics Discord

Link to this sectionConnettiti e contribuisci#

Il tuo viaggio con YOLOv5 non deve essere solitario. Unisciti alla nostra vivace community su GitHub, connettiti con i professionisti su LinkedIn, condividi i tuoi risultati su Twitter e trova risorse educative su YouTube. Seguici su TikTok e BiliBili per contenuti ancora più coinvolgenti.

Ti interessa contribuire? Accogliamo contributi di ogni tipo, da miglioramenti del codice e segnalazioni di bug ad aggiornamenti della documentazione. Dai un'occhiata alle nostre linee guida per il contributo per maggiori informazioni.

Siamo entusiasti di vedere i modi innovativi in cui userai YOLOv5. Immergiti, sperimenta e rivoluziona i tuoi progetti di visione artificiale! 🚀

Link to this sectionFAQ#

Link to this sectionQuali sono le caratteristiche principali di Ultralytics YOLOv5?#

Ultralytics YOLOv5 è rinomato per le sue capacità di rilevamento di oggetti ad alta velocità e alta precisione. Basato su PyTorch, è versatile e facile da usare, rendendolo adatto a vari progetti di visione artificiale. Le caratteristiche principali includono l'inferenza in tempo reale, il supporto per vari trucchi di addestramento come Test-Time Augmentation (TTA) e l'Ensembling di modelli, e la compatibilità con formati di esportazione come TFLite, ONNX, CoreML e TensorRT. Per approfondire come Ultralytics YOLOv5 può migliorare il tuo progetto, esplora la nostra guida all'esportazione TFLite, ONNX, CoreML, TensorRT.

Link to this sectionCome posso addestrare un modello YOLOv5 personalizzato sul mio set di dati?#

Addestrare un modello YOLOv5 personalizzato sul tuo set di dati comporta alcuni passaggi chiave. Per prima cosa, prepara il tuo set di dati nel formato richiesto, annotato con etichette. Quindi, configura i parametri di addestramento di YOLOv5 e avvia il processo di addestramento utilizzando lo script train.py. Per un tutorial approfondito su questo processo, consulta la nostra guida all'addestramento di dati personalizzati. Fornisce istruzioni passo-passo per garantire risultati ottimali per il tuo caso d'uso specifico.

Link to this sectionPerché dovrei usare Ultralytics YOLOv5 invece di altri modelli di rilevamento oggetti come RCNN?#

Ultralytics YOLOv5 è preferito rispetto a modelli come R-CNN grazie alla sua velocità e precisione superiori nel rilevamento di oggetti in tempo reale. YOLOv5 elabora l'intera immagine in una volta sola, rendendolo significativamente più veloce rispetto all'approccio basato su regioni di RCNN, che comporta passaggi multipli. Inoltre, la perfetta integrazione di YOLOv5 con vari formati di esportazione e la documentazione estesa lo rendono una scelta eccellente sia per i principianti che per i professionisti. Scopri di più sui vantaggi architetturali nel nostro Riepilogo dell'architettura.

Link to this sectionCome posso ottimizzare le prestazioni del modello YOLOv5 durante l'addestramento?#

L'ottimizzazione delle prestazioni del modello YOLOv5 comporta la regolazione di vari iperparametri e l'incorporazione di tecniche come l'aumento dei dati e il transfer learning. Ultralytics fornisce risorse complete sull'evoluzione degli iperparametri e sulla potatura/sparsità per migliorare l'efficienza del modello. Puoi scoprire suggerimenti pratici nella nostra guida Suggerimenti per i migliori risultati di addestramento, che offre approfondimenti azionabili per ottenere prestazioni ottimali durante l'addestramento.

Link to this sectionQuali ambienti sono supportati per l'esecuzione di applicazioni YOLOv5?#

Ultralytics YOLOv5 supporta una varietà di ambienti, inclusi notebook GPU gratuiti su Gradient, Google Colab e Kaggle, così come le principali piattaforme cloud come Google Cloud, Amazon AWS e Azure. Sono disponibili anche immagini Docker per una configurazione conveniente. Per una guida dettagliata sulla configurazione di questi ambienti, controlla la nostra sezione Ambienti supportati, che include istruzioni passo-passo per ogni piattaforma.

Collaboratori
GLglenn-jocher26PDpderrenger2RAraimbekovm1JKjk4e1RIRizwanMunawar1LAlakshanthad1BUBurhan-Q1

Commenti