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.

• Addestra su dati personalizzati 🚀 CONSIGLIATO: Scopri come addestrare il modello YOLOv5 sul tuo dataset personalizzato.
• Suggerimenti per i migliori risultati di addestramento ☘️: Scopri consigli pratici per ottimizzare il tuo processo di addestramento del modello.
• Addestramento Multi-GPU: Comprendi come sfruttare più GPU per velocizzare il tuo addestramento.
• PyTorch Hub 🌟 NUOVO: Impara a caricare modelli preaddestrati tramite PyTorch Hub.
• Esportazione TFLite, ONNX, CoreML, TensorRT 🚀: Comprendi come esportare il tuo modello in diversi formati.
• Test-Time Augmentation (TTA): Esplora come utilizzare TTA per migliorare l'accuratezza delle previsioni del tuo modello.
• Ensemble di modelli: Impara la strategia di combinazione di più modelli per migliorare le prestazioni.
• Pruning/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 strati congelati: Impara come implementare il transfer learning congelando gli strati in YOLOv5.
• Riepilogo dell'architettura 🌟 Approfondisci i dettagli strutturali del modello YOLOv5. Leggi il post sul blog di YOLOv5 v6.0 per ulteriori approfondimenti.
• Integrazione del logging con ClearML 🌟 Impara a integrare ClearML per un logging efficiente durante l'addestramento del tuo modello.
• YOLOv5 con Neural Magic: Scopri come utilizzare Neural Magic's DeepSparse per eseguire 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.

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.

• Notebook GPU Gratuiti:
• Google Cloud: Guida rapida GCP
• Amazon: Guida rapida AWS
• Azure: Guida rapida AzureML
• Docker: Guida rapida Docker

Link to this sectionStato del progetto#

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.

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 oggetti ad alta velocità e alta accuratezza. Basato su PyTorch, è versatile e facile da usare, rendendolo adatto a vari progetti di visione artificiale. Le caratteristiche principali includono inferenza in tempo reale, supporto per vari trucchi di addestramento come Test-Time Augmentation (TTA) e Ensemble di modelli, e compatibilità con formati di esportazione come TFLite, ONNX, CoreML e TensorRT. Per approfondire come Ultralytics YOLOv5 può potenziare 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?#

L'addestramento di un modello YOLOv5 personalizzato sul tuo dataset comporta alcuni passaggi chiave. Per prima cosa, 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 lo script train.py. Per un tutorial approfondito su questo processo, consulta la nostra guida all'addestramento su dati personalizzati. Fornisce istruzioni passo dopo 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 a modelli come R-CNN grazie alla sua velocità e accuratezza superiori nel rilevamento 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 comporta passaggi multipli. 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 architettonici 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'integrazione di tecniche come data augmentation e 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 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, nonché le principali piattaforme cloud come Google Cloud, Amazon AWS e Azure. Le immagini Docker sono disponibili anche per una configurazione comoda. Per una guida dettagliata sulla configurazione di questi ambienti, consulta la nostra sezione Ambienti supportati, che include istruzioni passo dopo passo per ogni piattaforma.