Guida completa a Ultralytics YOLOv5#
Benvenuto nella documentazione di Ultralytics YOLOv5🚀! Ultralytics YOLOv5, la quinta iterazione del rivoluzionario modello di rilevamento degli oggetti "You Only Look Once", è progettato per offrire risultati ad alta velocità e precisione in tempo reale. Sebbene YOLOv5 rimanga uno strumento potente, valuta la possibilità di esplorare i suoi successori, Ultralytics YOLOv8, YOLO11 e YOLO26, per scoprire gli ultimi progressi.
Basato su PyTorch, questo potente framework di deep learning ha riscosso un'enorme popolarità grazie alla sua versatilità, facilità d'uso e alte prestazioni. La nostra documentazione ti guida attraverso il processo di installazione, spiega le caratteristiche 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 per i tuoi progetti di computer vision. Iniziamo!
Esplora e impara#
Ecco una raccolta di tutorial completi che ti guideranno attraverso diversi aspetti di YOLOv5.
- Addestramento su dati personalizzati 🚀 CONSIGLIATO: scopri come addestrare il modello YOLOv5 sul tuo dataset personalizzato.
- Consigli per ottenere i migliori risultati dall'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: impara a caricare modelli preaddestrati tramite PyTorch Hub.
- Esportazione in TFLite, ONNX, CoreML e TensorRT 🚀: scopri come esportare il tuo modello in diversi formati.
- Aumento dei dati al momento del test (TTA): scopri come utilizzare TTA per migliorare la precisione delle predizioni del modello.
- Ensembling dei modelli: scopri la strategia per combinare più modelli e 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.
- Transfer learning con layer congelati: scopri come implementare il transfer learning congelando i layer in YOLOv5.
- Riepilogo dell'architettura 🌟 Approfondisci i dettagli strutturali del modello YOLOv5. Leggi il post del blog su YOLOv5 v6.0 per saperne di più.
- Integrazione del logging con ClearML 🌟 Scopri come integrare ClearML per un logging efficiente durante l'addestramento del modello.
- YOLOv5 con Neural Magic: scopri come utilizzare DeepSparse di Neural Magic per potare e quantizzare il tuo modello YOLOv5.
- Comet Logging Integration: scopri come utilizzare Comet per una migliore registrazione dell'addestramento del modello.
Ambienti supportati#
Ultralytics offre una gamma di ambienti pronti all'uso, ciascuno con dipendenze essenziali preinstallate, come CUDA, CuDNN, Python e PyTorch, per aiutarti ad avviare i tuoi progetti. Puoi anche gestire i tuoi modelli e dataset utilizzando 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 GitHub Actions di YOLOv5 per l'integrazione continua (CI) vengono superati correttamente. Questi test di CI verificano rigorosamente la funzionalità e le prestazioni di YOLOv5 sotto diversi aspetti fondamentali: addestramento, convalida, 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 interessanti.
Ti interessa contribuire? Accogliamo contributi di ogni tipo, dai miglioramenti al codice e dalle segnalazioni di bug agli aggiornamenti della documentazione. Consulta le nostre linee guida per i contributi per ulteriori informazioni.
Non vediamo l'ora di scoprire i modi innovativi in cui utilizzerai YOLOv5. Immergiti nel progetto, fai esperimenti e rivoluziona i tuoi progetti di computer vision! 🚀
FAQ#
Ultralytics YOLOv5 è rinomato per le sue capacità di rilevamento degli oggetti ad alta velocità e precisione. Basato su PyTorch, è versatile e facile da usare, e si adatta a diversi progetti di computer vision. Le funzionalità principali includono l'inferenza in tempo reale, il supporto per diverse tecniche di addestramento come l'aumento dei dati al momento del test (TTA) e l'ensembling dei modelli, nonché la compatibilità con formati di esportazione come TFLite, ONNX, CoreML e TensorRT. Per approfondire come Ultralytics YOLOv5 può migliorare il 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. Innanzitutto, prepara il dataset nel formato richiesto, annotandolo con le 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 su dati personalizzati. Fornisce istruzioni dettagliate passo passo per garantire risultati ottimali nel tuo caso d'uso specifico.Ultralytics YOLOv5 è preferibile a modelli come R-CNN grazie alla sua velocità e precisione superiori nel rilevamento degli oggetti in tempo reale. YOLOv5 elabora l'intera immagine in un'unica operazione, risultando significativamente più veloce rispetto all'approccio basato sulle regioni di RCNN, che prevede più passaggi. Inoltre, la perfetta integrazione di YOLOv5 con diversi formati di esportazione e la documentazione completa lo rendono una scelta eccellente sia per i principianti sia per i professionisti. Scopri di più sui vantaggi architetturali nella nostra panoramica dell'architettura.
L'ottimizzazione delle prestazioni del modello YOLOv5 richiede la regolazione di diversi iperparametri e l'integrazione di tecniche come l'aumento dei dati e il transfer learning. Ultralytics offre risorse complete sull'evoluzione degli iperparametri e sulla potatura/sparsità per migliorare l'efficienza del modello. Puoi trovare consigli pratici nella nostra guida ai consigli per ottenere i migliori risultati dall'addestramento, che offre suggerimenti concreti per ottenere prestazioni ottimali durante l'addestramento.
Ultralytics YOLOv5 supporta diversi ambienti, inclusi 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 una configurazione più semplice. Per una guida dettagliata alla configurazione di questi ambienti, consulta la sezione Ambienti supportati, che include istruzioni passo passo per ogni piattaforma.