<a href="https://github.com/ultralytics/ultralytics/actions/workflows/ci.yml"><img src="https://github.com/ultralytics/ultralytics/actions/workflows/ci.yml/badge.svg" alt="Ultralytics CI"></a>
<a href="https://clickpy.clickhouse.com/dashboard/ultralytics"><img src="https://static.pepy.tech/badge/ultralytics" alt="Ultralytics Downloads"></a>
<a href="https://discord.com/invite/ultralytics"><img alt="Ultralytics Discord" src="https://img.shields.io/discord/1089800235347353640?logo=discord&logoColor=white&label=Discord&color=blue"></a>
<a href="https://community.ultralytics.com/"><img alt="Ultralytics Forums" src="https://img.shields.io/discourse/users?server=https%3A%2F%2Fcommunity.ultralytics.com&logo=discourse&label=Forums&color=blue"></a>
<a href="https://www.reddit.com/r/ultralytics/"><img alt="Ultralytics Reddit" src="https://img.shields.io/reddit/subreddit-subscribers/ultralytics?style=flat&logo=reddit&logoColor=white&label=Reddit&color=blue"></a>
<br>
<a href="https://console.paperspace.com/github/ultralytics/ultralytics"><img src="https://assets.paperspace.io/img/gradient-badge.svg" alt="Run Ultralytics on Gradient"></a>
<a href="https://colab.research.google.com/github/ultralytics/ultralytics/blob/main/examples/tutorial.ipynb"><img src="https://colab.research.google.com/assets/colab-badge.svg" alt="Open Ultralytics In Colab"></a>
<a href="https://www.kaggle.com/models/ultralytics/yolo26"><img src="https://kaggle.com/static/images/open-in-kaggle.svg" alt="Open Ultralytics In Kaggle"></a>
<a href="https://mybinder.org/v2/gh/ultralytics/ultralytics/HEAD?labpath=examples%2Ftutorial.ipynb"><img src="https://mybinder.org/badge_logo.svg" alt="Open Ultralytics In Binder"></a>

Guida completa a Ultralytics YOLOv5

Benvenuto nella documentazione di Ultralytics YOLOv5🚀! Ultralytics YOLOv5, la quinta iterazione del rivoluzionario modello object detection "You Only Look Once", è progettata 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 tutto 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: Impara 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 pre-addestrati 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 combinare più modelli per prestazioni migliorate.
• 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 hyperparameter tuning automatizzato per migliori prestazioni del modello.
• Transfer Learning con layer bloccati: Impara come implementare il transfer learning bloccando i layer in YOLOv5.
• Riepilogo architettura 🌟 Approfondisci i dettagli strutturali del modello YOLOv5. Leggi il blog post YOLOv5 v6.0 per ulteriori approfondimenti.
• Integrazione logging ClearML 🌟 Impara 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 fare pruning e quantizzare il tuo modello YOLOv5.
• Integrazione logging Comet 🌟 NUOVO: Esplora come utilizzare Comet per un logging dell'addestramento del modello migliorato.

Ambienti 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 dataset utilizzando Ultralytics Platform.

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

Stato del progetto

Questo badge indica che tutti i test di Continuous Integration (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: training, validation, inference, export e benchmarks. Garantiscono un funzionamento coerente e affidabile su macOS, Windows e Ubuntu, con test condotti ogni 24 ore e ad ogni nuovo commit.

Connettiti e contribuisci

Il tuo viaggio 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.

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

Siamo entusiasti di vedere i modi innovativi in cui userai YOLOv5. Tuffati, sperimenta e rivoluziona i tuoi progetti di computer vision! 🚀

FAQ

Quali sono le caratteristiche chiave di Ultralytics YOLOv5?

Ultralytics YOLOv5 è rinomato per le sue capacità di object detection ad alta velocità e alta accuratezza. Costruito su PyTorch, è versatile e facile da usare, rendendolo adatto a vari progetti di computer vision. Le caratteristiche chiave includono inferenza in tempo reale, supporto per molteplici trucchi di addestramento come Test-Time Augmentation (TTA) e Model Ensembling, e 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.

Come posso addestrare un modello YOLOv5 personalizzato sul mio dataset?

Addestrare 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 di dati personalizzati. Fornisce istruzioni passo-passo per garantire risultati ottimali per il tuo caso d'uso specifico.

Perché dovrei usare Ultralytics YOLOv5 rispetto ad altri modelli di object detection come RCNN?

Ultralytics YOLOv5 è preferito rispetto a modelli come R-CNN grazie alla sua velocità e accuratezza superiori nell'object detection 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, l'integrazione fluida 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 Riepilogo architettura.

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

Ottimizzare le 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.

Quali ambienti sono supportati per eseguire applicazioni YOLOv5?

Ultralytics YOLOv5 supporta una varietà di ambienti, inclusi notebook GPU gratuiti su Gradient, Google Colab e Kaggle, così come le principali piattaforme cloud come Google Cloud, Amazon AWS e Azure. Sono disponibili anche immagini Docker per una configurazione conveniente. Per una guida dettagliata sulla configurazione di questi ambienti, controlla la nostra sezione Ambienti supportati, che include istruzioni passo-passo per ogni piattaforma.