Guida completa a Ultralytics YOLOv5#
Benvenuto nella documentazione di Ultralytics YOLOv5🚀! Ultralytics YOLOv5, la quinta iterazione del rivoluzionario modello di rilevamento di oggetti "You Only Look Once", è progettato per offrire risultati ad alta velocità e alta 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.
Costruito 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 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.
- Allena dati personalizzati 🚀 CONSIGLIATO: Scopri come addestrare il modello YOLOv5 sul tuo dataset personalizzato.
- Consigli per i migliori risultati di addestramento ☘️: Scopri consigli pratici per ottimizzare il processo di addestramento del tuo modello.
- Addestramento Multi-GPU: Scopri come sfruttare più GPU per accelerare l'addestramento.
- PyTorch Hub 🌟 NUOVO: 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): Esplora come utilizzare TTA per migliorare la precisione di predizione del tuo modello.
- Ensembling di modelli: Impara la strategia di combinazione di più modelli per migliorare le prestazioni.
- Pruning e Sparsità del modello: Comprendi i concetti di pruning e sparsità e come creare un modello più efficiente.
- Evoluzione degli iperparametri: Scopri il processo di ottimizzazione degli iperparametri automatizzata per migliori prestazioni del modello.
- Transfer Learning con layer bloccati: Impara a implementare il transfer learning bloccando i layer in YOLOv5.
- Sommario dell'architettura 🌟 Approfondisci i dettagli strutturali del modello YOLOv5. Leggi il post del blog di YOLOv5 v6.0 per ulteriori approfondimenti.
- Integrazione del logging con ClearML 🌟 Scopri come integrare ClearML per un logging efficiente durante l'addestramento del tuo modello.
- YOLOv5 con Neural Magic: Scopri come utilizzare Neural Magic's DeepSparse per effettuare il pruning e la quantizzazione del tuo modello YOLOv5.
- Integrazione del logging con Comet 🌟 NUOVO: Esplora come utilizzare Comet per migliorare il logging 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 dare il via ai tuoi progetti. Puoi anche gestire i tuoi modelli e dataset utilizzando Ultralytics Platform.
- Free GPU Notebooks:
- Google Cloud: Guida rapida a GCP
- Amazon: Guida rapida AWS
- Azure: Guida rapida AzureML
- Docker: Docker Quickstart Guide
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 su 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 a ogni nuovo commit.
Connettiti e contribuisci#
Il tuo percorso con YOLOv5 non deve essere solitario. Unisciti alla nostra vivace community su GitHub, connettiti 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.
Vuoi contribuire? Accogliamo con favore contributi di ogni tipo, dai miglioramenti del codice e segnalazioni di bug agli aggiornamenti della documentazione. Dai un'occhiata alle nostre linee guida per i contributi per maggiori informazioni.
Siamo entusiasti di vedere i modi innovativi in cui userai YOLOv5. Immergiti, sperimenta e rivoluziona i tuoi progetti di visione artificiale! 🚀
FAQ#
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, rendendolo adatto a vari progetti di computer vision. Le caratteristiche principali includono l'inferenza in tempo reale, il supporto per molteplici 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 elevare il tuo progetto, esplora la nostra guida all'esportazione TFLite, ONNX, CoreML, TensorRT.
L'addestramento di un modello YOLOv5 personalizzato sul tuo dataset richiede alcuni passaggi chiave. Prima di tutto, prepara il tuo dataset 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 dettagliate per garantire risultati ottimali per il tuo caso d'uso specifico.Ultralytics YOLOv5 è preferito 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 sola volta, rendendolo significativamente più veloce rispetto all'approccio basato su regioni di RCNN, che prevede passaggi multipli. Inoltre, la perfetta integrazione di YOLOv5 con vari formati di esportazione e la vasta documentazione lo rendono una scelta eccellente sia per principianti che per professionisti. Scopri di più sui vantaggi architetturali nel nostro Sommario dell'architettura.
L'ottimizzazione delle prestazioni del modello YOLOv5 prevede la regolazione di vari iperparametri e l'incorporazione di tecniche come la data augmentation e il transfer learning. Ultralytics fornisce risorse complete sull'evoluzione degli iperparametri e sul pruning/sparsità per migliorare l'efficienza del modello. Puoi scoprire consigli pratici nella nostra guida ai consigli per i migliori risultati di addestramento, che offre spunti pratici per ottenere prestazioni ottimali durante l'addestramento.
Ultralytics YOLOv5 supporta una varietà di 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 comoda. Per una guida dettagliata sulla configurazione di questi ambienti, consulta la nostra sezione Ambienti supportati, che include istruzioni dettagliate per ciascuna piattaforma.