Guida completa a Ultralytics YOLOv5

Benvenuto nella documentazione di Ultralytics YOLOv5🚀! Ultralytics YOLOv5, la quinta iterazione del rivoluzionario modello di object detection "You Only Look Once", è progettato per fornire risultati ad alta velocità e alta precisione in tempo reale. Sebbene YOLOv5 rimanga uno strumento potente, considera di esplorare il suo successore, Ultralytics YOLOv8, per gli ultimi progressi.

Basato su PyTorch, questo potente framework di deep learning ha riscosso 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 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.

Addestra dati personalizzati 🚀 CONSIGLIATO: Scopri come addestrare il modello YOLOv5 sul tuo set di dati personalizzato.
Suggerimenti per ottenere i migliori risultati di addestramento ☘️: Scopri suggerimenti pratici per ottimizzare il processo di addestramento del tuo modello.
Multi-GPU Training: Scopri come sfruttare più GPU per accelerare il tuo addestramento.
PyTorch Hub 🌟 NOVITÀ: Impara a caricare modelli pre-addestrati tramite PyTorch Hub.
Esportazione TFLite, ONNX, CoreML, TensorRT 🚀: Scopri come esportare il tuo modello in diversi formati.
Test-Time Augmentation (TTA): Scopri come utilizzare TTA per migliorare l'accuratezza della previsione del tuo modello.
Model Ensembling: Scopri la strategia di combinazione di più modelli per migliorare le prestazioni.
Model Pruning/Sparsity: Comprendi i concetti di pruning e sparsity e come creare un modello più efficiente.
Hyperparameter Evolution: Scopri il processo di tuning automatizzato degli iperparametri per ottenere prestazioni migliori del modello.
Transfer Learning con livelli congelati: Scopri come implementare il transfer learning congelando i livelli in YOLOv5.
Riepilogo dell'architettura 🌟 Approfondisci i dettagli strutturali del modello YOLOv5. Leggi il post del blog YOLOv5 v6.0 per maggiori approfondimenti.
Integrazione del logging di ClearML 🌟 Scopri come integrare ClearML per un logging efficiente durante l'addestramento del tuo modello.
YOLOv5 con Neural Magic Scopri come utilizzare DeepSparse di Neural Magic per potare e quantizzare il tuo modello YOLOv5.
Integrazione del logging di Comet 🌟 NOVITÀ: Scopri come utilizzare Comet per un logging migliorato dell'addestramento del modello.

Ambienti supportati

Ultralytics fornisce una gamma di ambienti pronti all'uso, ciascuno preinstallato 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 HUB.

Notebook GPU gratuiti:
Google Cloud: Guida rapida GCP
Amazon: Guida rapida 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 vengono superati con successo. Questi test CI verificano rigorosamente la funzionalità e le prestazioni di YOLOv5 attraverso vari aspetti chiave: training, validation, inference, export e benchmarks. Garantiscono un funzionamento coerente e affidabile su macOS, Windows e Ubuntu, con test eseguiti ogni 24 ore e ad ogni nuovo commit.

Connetti 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 educative su YouTube. Seguici su TikTok e BiliBili per contenuti più coinvolgenti.

Ti interessa contribuire? Accettiamo contributi di ogni tipo, dai miglioramenti del codice e segnalazioni di bug agli aggiornamenti della documentazione. Consulta le nostre linee guida per i contributi per maggiori informazioni.

Siamo entusiasti di vedere i modi innovativi in cui utilizzerete YOLOv5. Immergetevi, sperimentate e rivoluzionate i vostri progetti di computer vision! 🚀

FAQ

Quali 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. Costruito su PyTorch, è versatile e facile da usare, il che lo rende adatto a vari progetti di computer vision. Le caratteristiche principali includono l'inferenza in tempo reale, il supporto per diversi trucchi di addestramento come Test-Time Augmentation (TTA) e Model Ensembling, 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 in TFLite, ONNX, CoreML, TensorRT.

Come posso addestrare un modello YOLOv5 personalizzato sul mio set di dati?

L'addestramento di un modello YOLOv5 personalizzato sul tuo dataset prevede alcuni passaggi chiave. Innanzitutto, prepara il tuo dataset nel formato richiesto, annotato con le etichette. Quindi, configura i parametri di addestramento di YOLOv5 e avvia il processo di addestramento utilizzando il train.py script. Per un tutorial approfondito su questo processo, consulta la nostra Guida all'addestramento di dati personalizzati. Fornisce istruzioni dettagliate per garantire risultati ottimali per il tuo specifico caso d'uso.

Perché dovrei usare Ultralytics YOLOv5 rispetto ad altri modelli di rilevamento oggetti come RCNN?

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

Come posso ottimizzare le prestazioni del modello YOLOv5 durante l'addestramento?

L'ottimizzazione delle prestazioni del modello YOLOv5 implica la messa a punto 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 ai suggerimenti per ottenere i migliori risultati di training, che offre approfondimenti utili per ottenere prestazioni ottimali durante il training.

Quali 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, nonché le principali piattaforme cloud come Google Cloud, Amazon AWS e Azure. Sono disponibili anche immagini Docker per una configurazione semplificata. Per una guida dettagliata sulla configurazione di questi ambienti, consulta la nostra sezione Ambienti supportati, che include istruzioni dettagliate per ciascuna piattaforma.