Ultralytics YOLOv5の包括的なガイド#
Ultralytics YOLOv5 🚀ドキュメントへようこそ！革新的な「You Only Look Once」物体検出モデルの第5世代であるUltralytics YOLOv5は、リアルタイムで高速かつ高精度な結果を提供するように設計されています。YOLOv5は今なお強力なツールですが、最新の進歩を取り入れた後継モデルのUltralytics YOLOv8、YOLO11、YOLO26もぜひご検討ください。
PyTorchを基盤とするこの強力なディープラーニングフレームワークは、その汎用性、使いやすさ、高いパフォーマンスにより広く普及しています。このドキュメントでは、インストール手順、モデルのアーキテクチャの詳細、さまざまなユースケース、そして詳細なチュートリアルを紹介します。これらのリソースを活用することで、コンピュータービジョンプロジェクトでYOLOv5の可能性を最大限に引き出せます。さっそく始めましょう！
探索して学ぶ#
YOLOv5のさまざまな側面を解説する、包括的なチュートリアルをまとめました。
- カスタムデータでトレーニング 🚀 推奨: カスタムデータセットでYOLOv5モデルをトレーニングする方法を学べます。
- トレーニングで最良の結果を得るためのヒント ☘️: モデルのトレーニングプロセスを最適化する実践的なヒントをご紹介します。
- マルチGPUトレーニング: 複数のGPUを活用してトレーニングを高速化する方法を解説します。
- PyTorch Hub: PyTorch Hub経由で事前学習済みモデルを読み込む方法を学べます。
- TFLite、ONNX、CoreML、TensorRTへのエクスポート 🚀: モデルをさまざまな形式にエクスポートする方法を解説します。
- テスト時拡張（TTA）: TTAを使用してモデルの予測精度を向上させる方法をご紹介します。
- モデルアンサンブル: 複数のモデルを組み合わせてパフォーマンスを向上させる手法を学べます。
- モデルのプルーニング／スパース化: プルーニングとスパース化の概念、およびより効率的なモデルの作成方法を解説します。
- ハイパーパラメーターの進化: モデルのパフォーマンス向上に向けた自動ハイパーパラメーター調整のプロセスをご紹介します。
- レイヤーを凍結した転移学習: YOLOv5のレイヤーを凍結して転移学習を実装する方法を学べます。
- アーキテクチャの概要 🌟 YOLOv5モデルの構造を詳しく解説します。詳しくはYOLOv5 v6.0のブログ記事をご覧ください。
- ClearMLロギングの統合 🌟 モデルのトレーニング中に効率よくログを記録するためのClearMLの統合方法を学べます。
- Neural Magicを使用したYOLOv5: Neural MagicのDeepSparseを使用してYOLOv5モデルをプルーニングおよび量子化する方法をご紹介します。
- Cometロギングの統合: モデルのトレーニングログを改善するためのCometの活用方法をご紹介します。
サポート対象の環境#
Ultralyticsは、CUDA、CuDNN、Python、PyTorchなどの必須依存関係を事前にインストールした、すぐに使えるさまざまな環境を提供しており、プロジェクトをすぐに始められます。Ultralytics Platformを使用して、モデルやデータセットを管理することもできます。
- 無料のGPUノートブック:
- Google Cloud: GCPクイックスタートガイド
- Amazon: AWSクイックスタートガイド
- Azure: AzureMLクイックスタートガイド
- Docker: Dockerクイックスタートガイド
プロジェクトのステータス#
このバッジは、すべてのYOLOv5 GitHub Actions継続的インテグレーション（CI）テストが正常に合格していることを示します。これらのCIテストでは、トレーニング、検証、推論、エクスポート、ベンチマークなど、さまざまな重要な側面におけるYOLOv5の機能とパフォーマンスを厳密に確認します。これにより、macOS、Windows、Ubuntuで一貫して信頼性の高い動作が保証されます。テストは24時間ごと、および新しいコミットごとに実施されます。
つながり、貢献する#
YOLOv5を使う道のりは、一人で進む必要はありません。GitHubの活気あるコミュニティに参加し、LinkedInで専門家とつながり、Twitterで成果を共有し、YouTubeで学習リソースを見つけましょう。TikTokとBiliBiliもフォローして、さらに魅力的なコンテンツをご覧ください。
貢献にご興味がありますか？コードの改善やバグ報告からドキュメントの更新まで、あらゆる形での貢献を歓迎します。詳しくは貢献ガイドラインをご覧ください。
YOLOv5を活用した革新的な取り組みを楽しみにしています。ぜひ試して、コンピュータービジョンプロジェクトに変革をもたらしてください！🚀
よくある質問#
Ultralytics YOLOv5は、高速かつ高い精度の物体検出機能で知られています。PyTorchを基盤とし、汎用性と使いやすさを兼ね備えているため、さまざまなコンピュータービジョンプロジェクトに適しています。主な機能として、リアルタイム推論、テスト時拡張（TTA）やモデルアンサンブルなどの推論手法のサポート、TFLite、ONNX、CoreML、TensorRTなどのエクスポート形式との互換性があります。Ultralytics YOLOv5がプロジェクトにもたらす効果について詳しく知るには、TFLite、ONNX、CoreML、TensorRTへのエクスポートガイドをご覧ください。
データセットでカスタムYOLOv5モデルをトレーニングするには、いくつかの重要な手順があります。まず、ラベルを付け、必要な形式でデータセットを準備します。次に、YOLOv5のトレーニングパラメーターを設定し、
train.pyスクリプトを使用してトレーニングを開始します。このプロセスの詳しいチュートリアルは、カスタムデータでトレーニングするためのガイドをご覧ください。特定のユースケースで最適な結果を得るための手順を、段階的に説明しています。Ultralytics YOLOv5は、リアルタイム物体検出における速度と精度が優れているため、R-CNNなどのモデルよりも適しています。YOLOv5は画像全体を一度に処理するため、複数回の処理を伴うRCNNの領域ベースのアプローチと比べて大幅に高速です。さらに、YOLOv5はさまざまなエクスポート形式とシームレスに統合でき、ドキュメントも充実しているため、初心者にも専門家にも優れた選択肢です。アーキテクチャ上の利点については、アーキテクチャの概要をご覧ください。
YOLOv5モデルのパフォーマンスを最適化するには、さまざまなハイパーパラメーターを調整し、データ拡張や転移学習などの手法を取り入れます。Ultralyticsは、モデルの効率を高めるためのハイパーパラメーターの進化とプルーニング／スパース化に関する包括的なリソースを提供しています。トレーニング中に最適なパフォーマンスを達成するための実践的なヒントは、具体的な知見を紹介するトレーニングで最良の結果を得るためのガイドをご覧ください。
Ultralytics YOLOv5は、Gradient、Google Colab、Kaggleの無料GPUノートブックに加え、Google Cloud、Amazon AWS、Azureなどの主要なクラウドプラットフォームを含む、さまざまな環境をサポートしています。簡単にセットアップできるDockerイメージも利用できます。これらの環境のセットアップ方法を詳しく知るには、各プラットフォームの手順を段階的に説明するサポート対象の環境のセクションをご覧ください。