Guida completa a Ultralytics YOLOv5
Benvenuti su Ultralytics' YOLOv5🚀 Documentazione! YOLOv5 La quinta iterazione del rivoluzionario "You Only Look Once". rilevamento degli oggetti è stato progettato per fornire risultati ad alta velocità e precisione in tempo reale.
Costruito su PyTorch, questo potente apprendimento profondo ha ottenuto un'immensa popolarità per la sua versatilità, facilità d'uso e prestazioni elevate. La nostra documentazione guida l'utente 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 vi aiuteranno a sfruttare appieno il potenziale di YOLOv5 per il vostro visione computerizzata progetti. Iniziamo!
Esplorare e imparare
Ecco una raccolta di tutorial completi che vi guideranno attraverso diversi aspetti di YOLOv5.
- Addestrare i dati personalizzati 🚀 CONSIGLIATO: imparare ad addestrare il modello YOLOv5 su un set di dati personalizzato.
- Suggerimenti per ottenere i migliori risultati di addestramento ☘️: Scoprite i consigli pratici per ottimizzare il processo di formazione dei modelli.
- Formazione multiGPU : Capire come sfruttare più GPU per accelerare la formazione.
- PyTorch Hub 🌟 NUOVO: Imparare a caricare i modelli pre-addestrati tramite PyTorch Hub.
- TFLite, ONNX, CoreML, TensorRT Esportazione 🚀: Capire come esportare il modello in diversi formati.
- Test-Time Augmentation (TTA): Scoprite come utilizzare il TTA per migliorare l'accuratezza della previsione del vostro modello.
- Assemblaggio di modelli: Imparare la strategia di combinazione di più modelli per migliorare le prestazioni.
- Potenziamento del modello/sparsità: Comprendere i concetti di pruning e sparsity e come creare un modello più efficiente.
- Evoluzione degli iperparametri: Scoprite il processo di regolazione automatica degli iperparametri per migliorare le prestazioni del modello.
- Apprendimento per trasferimento con strati congelati: Imparate a implementare l'apprendimento per trasferimento congelando i livelli in YOLOv5.
- Riepilogo dell'architettura 🌟 Approfondite i dettagli strutturali del modello YOLOv5 .
- Roboflow per i dataset: Capire come utilizzare Roboflow per la gestione dei dataset, l'etichettatura e l'apprendimento attivo.
- ClearML Registrazione 🌟 Scoprite come integrare ClearML per una registrazione efficiente durante l'addestramento del modello.
- YOLOv5 con Neural Magic Scoprite come utilizzare Deepsparse di Neural Magic per sfrondare e quantizzare il vostro modello YOLOv5 .
- Comet Registrazione 🌟 NUOVO: esplorate come utilizzare Comet per migliorare la registrazione dell'addestramento del modello.
Ambienti supportati
Ultralytics fornisce una serie di ambienti pronti all'uso, ognuno dei quali è preinstallato con le dipendenze essenziali quali CUDA, CUDNN, Python, e PyTorchper avviare i vostri progetti.
- Taccuini gratuiti GPU:
- Google Cloud: Guida rapida a 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 Continuous Integration (CI) di YOLOv5 GitHub Actions sono stati superati con successo. Questi test CI verificano rigorosamente la funzionalità e le prestazioni di YOLOv5 in vari aspetti chiave: formazione, validazione, inferenza, esportazione e benchmark. Assicurano un funzionamento coerente e affidabile su macOS, Windows e Ubuntu, con test condotti ogni 24 ore e su ogni nuovo commit.
Connettersi e contribuire
Il vostro viaggio con YOLOv5 non deve essere solitario. Unitevi alla nostra vivace comunità su GitHub, connettetevi con i professionisti su LinkedIn, condividete i vostri risultati su Twitter e trovate risorse educative su YouTube. Seguiteci su TikTok e BiliBili per contenuti più coinvolgenti.
Siete interessati a contribuire? Accogliamo con piacere contributi di ogni tipo, dai miglioramenti del codice alle segnalazioni di bug, fino agli aggiornamenti della documentazione. Per maggiori informazioni, consultate le nostre linee guida per i contributi.
Siamo ansiosi di vedere i modi innovativi in cui utilizzerete YOLOv5. Tuffatevi, 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 precisione. Costruito su PyTorch, è versatile e facile da usare, il che lo rende adatto a diversi progetti di computer vision. Le caratteristiche principali includono l'inferenza in tempo reale, il supporto di 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 vostro progetto, esplorate la nostra guida all'esportazione di TFLite, ONNX, CoreML, TensorRT .
Come posso addestrare un modello YOLOv5 personalizzato sul mio set di dati?
L'addestramento di un modello YOLOv5 personalizzato sul vostro set di dati comporta alcuni passaggi chiave. Innanzitutto, preparare il dataset nel formato richiesto, annotato con le etichette. Quindi, si configurano i parametri di addestramento di YOLOv5 e si avvia il processo di addestramento usando il comando train.py script. Per un'esercitazione approfondita su questo processo, consultate il nostro sito web Guida ai dati personalizzati di Train. Fornisce istruzioni passo-passo per garantire risultati ottimali per il vostro caso d'uso specifico.
Perché utilizzare Ultralytics YOLOv5 rispetto ad altri modelli di rilevamento degli oggetti come RCNN?
Ultralytics YOLOv5 YOLOv5 è preferito a modelli come RCNN per la sua superiore velocità e accuratezza nel rilevamento degli oggetti in tempo reale. elabora l'intera immagine in una sola volta, il che lo rende significativamente più veloce rispetto all'approccio basato sulle regioni di RCNN, che prevede più passaggi. Inoltre, la perfetta integrazione di con vari formati di esportazione e l'ampia documentazione lo rendono una scelta eccellente sia per i principianti che per i professionisti. Per saperne di più sui vantaggi architettonici, consultate la nostra YOLOv5Sintesi dell'architettura.
Come si possono 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 l'apprendimento per trasferimento. Ultralytics fornisce risorse complete sull'evoluzione degli iperparametri e sul pruning/sparsità per migliorare l'efficienza del modello. È possibile scoprire suggerimenti pratici nella nostra guida Suggerimenti per i migliori risultati di addestramento, che offre spunti pratici per ottenere prestazioni ottimali durante l'addestramento.
Quali sono gli ambienti supportati per l'esecuzione delle applicazioni di YOLOv5 ?
Ultralytics YOLOv5 supporta una varietà di ambienti, tra cui i notebook gratuiti di GPU su Gradient, Google Colab, Kaggle e le principali piattaforme cloud come Google Cloud, Amazon AWS e Azure. Sono disponibili anche immagini Docker per una comoda configurazione. Per una guida dettagliata sull'impostazione di questi ambienti, consultare la sezione Ambienti supportati, che include istruzioni passo-passo per ciascuna piattaforma.
