Guida completa a Ultralytics YOLOv5#
Benvenuto nella documentazione di YOLOv5 di Ultralytics 🚀! Ultralytics YOLOv5, la quinta iterazione del rivoluzionario modello di rilevamento degli oggetti «You Only Look Once», è progettato per offrire risultati rapidi e precisi in tempo reale. Anche se YOLOv5 rimane uno strumento potente, valuta la possibilità di esplorarne i successori, Ultralytics YOLOv8, YOLO11 e YOLO26, per scoprire gli sviluppi più recenti.
Basato su PyTorch, questo potente framework di deep learning ha riscosso un'enorme popolarità grazie alla sua versatilità, facilità d'uso e alle prestazioni elevate. La nostra documentazione ti guida nel processo di installazione, spiega le peculiarità architetturali del modello, presenta diversi casi d'uso e offre una serie di tutorial dettagliati. Queste risorse ti aiuteranno a sfruttare appieno il potenziale di YOLOv5 nei tuoi progetti di visione artificiale. Iniziamo!
Esplora e impara#
Ecco una raccolta di tutorial completi che ti guideranno nei diversi aspetti di YOLOv5.
- Addestrare dati personalizzati 🚀 CONSIGLIATO: scopri come addestrare il modello YOLOv5 sul tuo dataset personalizzato.
- Consigli per ottenere i migliori risultati di addestramento ☘️: scopri consigli pratici per ottimizzare il processo di addestramento del modello.
- Addestramento multi-GPU: scopri come sfruttare più GPU per accelerare l'addestramento.
- PyTorch Hub: scopri come caricare modelli preaddestrati tramite PyTorch Hub.
- Esportazione in TFLite, ONNX, CoreML e TensorRT 🚀: scopri come esportare il modello in diversi formati.
- Aumento dei dati in fase di test (TTA): scopri come usare TTA per migliorare la precisione delle previsioni del modello.
- Ensemble di modelli: scopri la strategia che combina più modelli per migliorare le prestazioni.
- Potatura e sparsità del modello: scopri i concetti di potatura e sparsità e come creare un modello più efficiente.
- Evoluzione degli iperparametri: scopri il processo di ottimizzazione degli iperparametri automatizzata per migliorare le prestazioni del modello.
- Apprendimento per trasferimento con layer congelati: scopri come implementare l'apprendimento per trasferimento congelando i layer in YOLOv5.
- Riepilogo dell'architettura 🌟 Approfondisci i dettagli strutturali del modello YOLOv5. Leggi il post sul blog di YOLOv5 v6.0 per saperne di più.
- Integrazione della registrazione con ClearML 🌟 Scopri come integrare ClearML per registrare efficacemente i dati durante l'addestramento del modello.
- YOLOv5 con Neural Magic: scopri come usare DeepSparse di Neural Magic per potare e quantizzare il tuo modello YOLOv5.
- Integrazione della registrazione con Comet: scopri come usare Comet per migliorare la registrazione dei dati durante l'addestramento del modello.
Ambienti supportati#
Ultralytics offre diversi ambienti pronti all'uso, ciascuno con dipendenze essenziali preinstallate, come CUDA, CuDNN, Python e PyTorch, per permetterti di avviare subito i tuoi progetti. Puoi anche gestire i modelli e i dataset usando Ultralytics Platform.
- Notebook GPU gratuiti:
- Google Cloud: Guida rapida a GCP
- Amazon: Guida rapida ad AWS
- Azure: Guida rapida ad AzureML
- Docker: Guida rapida a Docker
Stato del progetto#
Questo badge indica che tutti i test di integrazione continua (CI) di YOLOv5 GitHub Actions sono superati correttamente. Questi test CI verificano rigorosamente la funzionalità e le prestazioni di YOLOv5 in diversi ambiti chiave: addestramento, validazione, inferenza, esportazione e benchmark. Garantiscono un funzionamento coerente e affidabile su macOS, Windows e Ubuntu, con test eseguiti ogni 24 ore e a ogni nuovo commit.
Connettiti e contribuisci#
Il tuo percorso con YOLOv5 non deve essere solitario. Unisciti alla nostra vivace community su GitHub, entra in contatto con professionisti su LinkedIn, condividi i tuoi risultati su Twitter e trova risorse didattiche su YouTube. Seguici su TikTok e BiliBili per altri contenuti coinvolgenti.
Ti interessa contribuire? Accogliamo contributi di ogni tipo, dai miglioramenti al codice e le segnalazioni di bug agli aggiornamenti della documentazione. Consulta le nostre linee guida per i contributi per saperne di più.
Non vediamo l'ora di scoprire i modi innovativi in cui userai YOLOv5. Mettiti all'opera, sperimenta e rivoluziona i tuoi progetti di visione artificiale! 🚀
Domande frequenti#
Ultralytics YOLOv5 è rinomato per le sue capacità di rilevamento degli oggetti rapide e con elevata precisione. Basato su PyTorch, è versatile e facile da usare, quindi adatto a diversi progetti di visione artificiale. Tra le funzionalità principali figurano l'inferenza in tempo reale, il supporto per tecniche di inferenza come l'aumento dei dati in fase di test (TTA) e l'ensemble di modelli, oltre alla compatibilità con formati di esportazione come TFLite, ONNX, CoreML e TensorRT. Per approfondire come Ultralytics YOLOv5 può dare una spinta al tuo progetto, consulta la nostra guida all'esportazione in TFLite, ONNX, CoreML e TensorRT.
L'addestramento di un modello YOLOv5 personalizzato sul tuo dataset prevede alcuni passaggi fondamentali. Per prima cosa, prepara il dataset nel formato richiesto e annotalo con le etichette. Poi configura i parametri di addestramento di YOLOv5 e avvia il processo usando lo script
train.py. Per un tutorial approfondito sul processo, consulta la nostra guida per addestrare dati personalizzati. Include istruzioni passo passo per ottenere risultati ottimali nel tuo caso d'uso specifico.Ultralytics YOLOv5 è preferibile a modelli come R-CNN grazie alla maggiore velocità e precisione nel rilevamento degli oggetti in tempo reale. YOLOv5 elabora l'intera immagine in una sola volta, risultando molto più veloce dell'approccio basato su regioni di RCNN, che richiede più passaggi. Inoltre, la perfetta integrazione di YOLOv5 con diversi formati di esportazione e la documentazione completa lo rendono un'ottima scelta sia per i principianti sia per i professionisti. Scopri di più sui vantaggi architetturali nel nostro riepilogo dell'architettura.
Per ottimizzare le prestazioni di YOLOv5 occorre regolare diversi iperparametri e integrare tecniche come l'aumento dei dati e l'apprendimento per trasferimento. Ultralytics offre risorse complete sull'evoluzione degli iperparametri e sulla potatura e sparsità per migliorare l'efficienza del modello. Puoi trovare consigli pratici nella nostra guida ai migliori risultati di addestramento, che offre indicazioni utili per ottenere prestazioni ottimali durante l'addestramento.
Ultralytics YOLOv5 supporta diversi ambienti, tra cui notebook GPU gratuiti su Gradient, Google Colab e Kaggle, oltre alle principali piattaforme cloud come Google Cloud, Amazon AWS e Azure. Sono disponibili anche immagini Docker per semplificare la configurazione. Per una guida dettagliata alla configurazione di questi ambienti, consulta la sezione Ambienti supportati, che include istruzioni passo passo per ogni piattaforma.