Ultralytics YOLOv5の包括的なガイド#

Ultralytics YOLOv5 は、「You Only Look Once」物体検出モデルの第 5 世代であり、リアルタイムで高速かつ正確な結果を提供するよう設計されています。YOLOv5 は現在も広く利用されていますが、後継モデルの Ultralytics YOLOv8、YOLO11、YOLO26 では最新の技術が取り入れられており、新しいプロジェクトには YOLO26 を推奨します。

YOLOv5 は、人気のあるディープラーニングフレームワークである PyTorch をベースとしており、汎用性、使いやすさ、パフォーマンスに優れています。このドキュメントでは、インストール、モデルアーキテクチャ、一般的なユースケースに加え、YOLOv5 をコンピュータービジョンプロジェクトに活用するための詳細なチュートリアルを紹介します。

探索して学ぶ#

これらのチュートリアルでは、YOLOv5 のさまざまな側面について説明します。

• カスタムデータのトレーニング（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びます。
• トレーニング結果を最大化するためのヒント：モデルのトレーニングプロセスを最適化するための実践的なヒントを紹介します。
• マルチ GPU トレーニング：複数の GPU を使用してトレーニングを高速化する方法を説明します。
• 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説明します。
• 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モデルの構造の詳細を解説します。
• ClearML ロギング連携：モデルのトレーニング中にログを記録するため、ClearML と連携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紹介します。
• Comet ロギング連携：トレーニング実行のログ記録と可視化に Comet を使用する方法を学びます。

サポート対象の環境#

Ultralytics では、CUDA、cuDNN、Python、PyTorch などの必須依存関係をあらかじめインストールした、すぐに利用できるさまざまな環境を用意しているため、すぐにプロジェクトを開始できます。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#

GitHub で Ultralytics コミュニティに参加し、LinkedIn でプロフェッショナルとつながり、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 でも、さまざまなコンテンツを発信しています。

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。

よくある質問#