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版であるUltralytics YOLOv5は、高速かつ高精度の結果をリアルタイムで提供するように設計されています。YOLOv5は依然として強力なツールですが、最新の進歩については、後継のUltralytics YOLOv8を検討してください。
PyTorch上に構築されたこの強力な深層学習フレームワークは、その汎用性、使いやすさ、および高いパフォーマンスで絶大な人気を集めています。このドキュメントでは、インストールプロセス、モデルのアーキテクチャ上のニュアンス、さまざまなユースケースを紹介し、詳細なチュートリアルを提供します。これらのリソースは、コンピュータビジョンプロジェクトでYOLOv5の可能性を最大限に引き出すのに役立ちます。それでは始めましょう!
探索と学習
YOLOv5のさまざまな側面について説明する包括的なチュートリアルを以下にまとめました。
- カスタムデータで学習 🚀 推奨: カスタムデータセットでYOLOv5モデルを学習する方法を学びます。
- 最適な学習結果を得るためのヒント ☘️: モデルの学習プロセスを最適化するための実践的なヒントをご紹介します。
- Multi-GPU Training: 複数のGPUを活用してトレーニングを迅速化する方法を理解します。
- PyTorch Hub 🌟 NEW: PyTorch Hub経由で事前トレーニング済みモデルをロードする方法を学びます。
- TFLite, ONNX, CoreML, TensorRT Export 🚀:モデルをさまざまな形式でエクスポートする方法を理解します。
- 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検討します。
- モデルアンサンブル: 性能向上のために複数のモデルを組み合わせる戦略を学びます。
- モデルの枝刈り/スパース性: 枝刈りとスパース性の概念、およびより効率的なモデルを作成する方法を理解します。
- ハイパーパラメータの進化:より良いモデルパフォーマンスのための自動化されたハイパーパラメータ調整のプロセスを発見してください。
- 凍結されたレイヤーによる転移学習: YOLOv5でレイヤーを凍結することにより、転移学習を実装する方法を学びます。
- アーキテクチャの概要 🌟 YOLOv5モデルの構造の詳細を掘り下げます。詳細については、YOLOv5 v6.0のブログ記事をお読みください。
- ClearML Logging Integration 🌟 モデルのトレーニング中に効率的なロギングを行うために、ClearMLを統合する方法を学びます。
- 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覧ください。
- Comet Logging Integration 🌟 NEW: モデルのトレーニングロギングを改善するためにCometをどのように活用するかを検討してください。
サポートされている環境
Ultralyticsは、CUDA、CuDNN、Python、PyTorchなどの必須依存関係がプリインストールされた、すぐに使用できるさまざまな環境を提供し、プロジェクトをすぐに開始できます。Ultralytics HUBを使用して、モデルとデータセットを管理することもできます。
- 無料の GPU Notebooks:
- 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ついてYOLOv5の機能と性能を厳密にチェックします。これらのテストは、macOS、Windows、Ubuntuでの一貫した信頼性の高い動作を保証し、24時間ごと、および新しいコミットごとに行われます。
接続と貢献
YOLOv5との旅は、孤独なものである必要はありません。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で結果を共有し、YouTubeで教育リソースを見つけてください。TikTokとBiliBiliでフォローして、より魅力的なコンテンツを入手してください。
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、あらゆる形の貢献を歓迎します。詳細については、貢献ガイドラインをご覧ください。
皆様が YOLOv5 をどのように革新的に活用されるかを楽しみにしています。飛び込んで、実験して、コンピュータビジョンのプロジェクトに革命を起こしましょう!🚀
よくある質問
Ultralytics YOLOv5の主な特徴は何ですか?
Ultralytics YOLOv5は、高速かつ高精度な物体検出機能で知られています。PyTorch上に構築されており、汎用性が高く、使いやすいため、さまざまなコンピュータビジョンプロジェクトに適しています。主な機能には、リアルタイム推論、Test-Time Augmentation (TTA)やModel Ensemblingのような複数のトレーニングトリックのサポート、および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がプロジェクトをどのように向上させることができるかについて詳しく知るには、TFLite, ONNX, CoreML, TensorRT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どうすればよいですか?
データセットでカスタムYOLOv5モデルを学習するには、いくつかの重要なステップがあります。まず、必要な形式でデータセットを準備し、ラベルを付けます。次に、YOLOv5の学習パラメータを設定し、以下を使用して学習プロセスを開始します。 train.py
スクリプト。このプロセスの詳細なチュートリアルについては、こちらをご覧ください。 カスタムデータガイドのトレーニング。これは、特定のユースケースに最適な結果を保証するためのステップごとの手順を提供します。
RCNN のような他のオブジェクト検出モデルではなく Ultralytics YOLOv5 を使用する利点は何ですか?
Ultralytics YOLOv5は、リアルタイム物体検出における優れた速度と精度により、R-CNNのようなモデルよりも優先されます。YOLOv5は、画像全体を一度に処理するため、複数回のパスを必要とするRCNNの領域ベースのアプローチと比較して、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のシームレスな統合と、広範なドキュメントにより、初心者とプロフェッショナルの両方にとって優れた選択肢となっています。アーキテクチャ上の利点の詳細については、アーキテクチャの概要をご覧ください。
トレーニング中にYOLOv5モデルのパフォーマンスを最適化するにはどうすればよいですか?
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を調整し、データ拡張や転移学習などの手法を組み込む必要があります。Ultralyticsは、モデルの効率を向上させるためのハイパーパラメータの進化とプルーニング/スパース性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実現するための実用的な洞察を提供する最適なトレーニング結果を得るためのヒントガイドで、実践的なヒントを見つけることができます。
YOLOv5アプリケーションの実行では、どのような環境がサポートされていますか?
Ultralytics YOLOv5は、Gradient、Google Colab、Kaggle上の無料のGPUノートブック、およびGoogle Cloud、Amazon AWS、Azureのような主要なクラウドプラットフォームを含む、様々な環境をサポートしています。便利なセットアップのために、Dockerイメージも利用可能です。これらの環境のセットアップに関する詳細なガイドについては、各プラットフォームのステップごとの手順を含むサポートされている環境のセクションをご覧ください。