Guida completa a Ultralytics YOLOv5
Benvenuti su Ultralytics' YOLOv5🚀 Documentazione! YOLOv5, la quinta iterazione del rivoluzionario modello di rilevamento degli oggetti "You Only Look Once", è stato progettato per fornire risultati ad alta velocità e precisione in tempo reale.
Costruito su PyTorch, questo potente framework per l'apprendimento profondo 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 architettoniche 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.
- Addestrare dati personalizzati 🚀 CONSIGLIATO: Scopri come addestrare il modello YOLOv5 sul tuo set di dati personalizzato.
- Suggerimenti per ottenere i migliori risultati di formazione ☘️: Scopri i consigli pratici per ottimizzare il processo di formazione dei modelli.
- Formazione multiGPU : Scopri come sfruttare più GPU per accelerare la tua formazione.
- PyTorch Hub 🌟 NUOVO: Impara a caricare i modelli pre-addestrati tramite PyTorch Hub.
- TFLite, ONNX, CoreML, TensorRT Esportazione 🚀: Scopri come esportare il tuo modello in diversi formati.
- Test-Time Augmentation (TTA): Scopri come utilizzare il TTA per migliorare l'accuratezza della previsione del tuo modello.
- Assemblaggio di modelli: Impara la strategia di combinazione di più modelli per migliorare le prestazioni.
- Potenziamento del modello/sparsità: Comprendi i concetti di pruning e sparsity e come creare un modello più efficiente.
- Evoluzione degli iperparametri: Scopri il processo di regolazione automatica degli iperparametri per migliorare le prestazioni del modello.
- Apprendimento per trasferimento con i livelli congelati: Scopri come implementare l'apprendimento per trasferimento congelando i livelli in YOLOv5.
- Riepilogo dell'architettura 🌟 Approfondisci i dettagli strutturali del modello YOLOv5 .
- Roboflow per i dataset: Scopri come utilizzare Roboflow per la gestione dei dataset, l'etichettatura e l'apprendimento attivo.
- ClearML Registrazione 🌟 Scopri come integrare ClearML per una registrazione efficiente durante l'addestramento del modello.
- YOLOv5 con Neural Magic Scopri come utilizzare Neural Magic's Deepsparse per sfrondare e quantizzare il tuo modello YOLOv5 .
- Comet Registrazione 🌟 NUOVO: Scopri come utilizzare Comet per migliorare la registrazione dell'allenamento del modello.
Ambienti supportati
Ultralytics offre una serie di ambienti pronti all'uso, ognuno dei quali è preinstallato con le dipendenze essenziali, come ad esempio CUDA, CUDNN, Python, e PyTorchper dare il via ai tuoi progetti.
- Taccuini gratuiti GPU:
- Google Cloud: Guida rapida a GCP
- Amazon: Guida rapida di AWS
- Azure: Guida rapida ad AzureML
- Docker: Guida rapida a Docker
Stato del progetto
Questo badge indica che tutti i test di YOLOv5 GitHub Actions Continuous Integration (CI) 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.
Connettiti e contribuisci
Il tuo viaggio con YOLOv5 non deve essere solitario. Unisciti alla nostra vivace comunità su GitHub, entra in contatto con i professionisti su LinkedIn, condividi i tuoi risultati su Twitter e trova risorse educative su YouTube. Seguici su TikTok e BiliBili per avere contenuti sempre più coinvolgenti.
Sei interessato a contribuire? Accettiamo contributi di ogni tipo: dai miglioramenti del codice alle segnalazioni di bug, fino agli aggiornamenti della documentazione. Per maggiori informazioni, consulta le nostre linee guida per i contributi.
Non vediamo l'ora di vedere i modi innovativi in cui utilizzerai YOLOv5. Tuffati, sperimenta e rivoluziona i tuoi progetti di computer vision! 🚀
DOMANDE FREQUENTI
Quali sono le caratteristiche principali di Ultralytics YOLOv5 ?
Ultralytics YOLOv5 è rinomato per le sue capacità di rilevamento degli 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 scoprire come Ultralytics YOLOv5 può migliorare il tuo progetto, esplora la nostra guida all'esportazione di TFLite, ONNX, CoreML, TensorRT .
Come posso addestrare un modello personalizzato di YOLOv5 sul mio set di dati?
L'addestramento di un modello personalizzato di YOLOv5 sul tuo set di dati richiede alcuni passaggi chiave. Innanzitutto, prepara il tuo set di dati nel formato richiesto, annotato con le etichette. Quindi, configura i parametri di addestramento di YOLOv5 e avvia il processo di addestramento utilizzando il metodo train.py
script. Per un tutorial approfondito su questo processo, consulta il nostro sito Guida ai dati personalizzati di Train. Fornisce istruzioni passo-passo per garantire risultati ottimali per il tuo caso d'uso specifico.
Perché dovrei utilizzare Ultralytics YOLOv5 rispetto ad altri modelli di rilevamento degli oggetti come RCNN?
Ultralytics YOLOv5 è preferito a modelli come RCNN per la sua velocità e precisione superiore nel rilevamento degli oggetti in tempo reale. YOLOv5 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 con diversi formati di esportazione e l'ampia documentazione rendono YOLOv5 una scelta eccellente sia per i principianti che per i professionisti. Per saperne di più sui vantaggi architettonici, consulta il nostro Riepilogo dell'architettura.
Come posso ottimizzare le prestazioni del modello YOLOv5 durante l'addestramento?
L'ottimizzazione delle prestazioni del modello YOLOv5 implica la regolazione di vari iperparametri e l'integrazione 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. Puoi scoprire consigli pratici nella nostra guida Consigli per ottenere i migliori risultati di formazione, che offre spunti pratici per ottenere prestazioni ottimali durante la formazione.
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 sulla configurazione di questi ambienti, consulta la nostra sezione Ambienti supportati, che include istruzioni passo-passo per ogni piattaforma.
Creato 2023-11-12, Aggiornato 2024-07-05
Autori: glenn-jocher (11), lakshanthad (1), Burhan-Q (1), sergiuwaxmann (1)