GitHubでページを編集 (EN)

Ultralytics YOLOv5 v7.0 banner 

<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>

Ultralytics YOLOv5 総合ガイド

Ultralytics YOLOv5🚀 ドキュメントへようこそ！Ultralytics YOLOv5は、革命的な「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高精度な結果を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、最新の機能については、後継モデルであるUltralytics YOLOv8、YOLO11、YOLO26の利用も検討してください。

PyTorchをベースに構築された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、および高いパフォーマンスにより絶大な人気を博しています。本ドキュメントでは、インストール手順の案内、モデルのアーキテクチャの解説、さまざまなユースケースの紹介、そして詳細なチュートリアルシリーズを提供します。これらのリソースを活用して、コンピュータビジョンプロジェクトでYOLOv5のポテンシャルを最大限に引き出してください。それでは始めましょう！

学習と探索

YOLOv5のさまざまな側面をガイドする総合チュートリアル集です。

サポートされている環境

Ultralyticsは、プロジェクトを迅速に開始できるよう、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、すぐに使用できる多様な環境を提供しています。また、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可能です。

プロジェクトステータス

YOLOv5 CI

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）テストが正常に通過していることを示しています。これらのCIテストは、学習、検証、推論、エクスポート、およびベンチマークといったYOLOv5のさまざまな主要な側面について、機能とパフォーマンスを厳密にチェックします。macOS、Windows、Ubuntuにおいて一貫した信頼性の高い動作を保証しており、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。


Ultralytics GitHub Ultralytics LinkedIn Ultralytics Twitter Ultralytics YouTube Ultralytics TikTok Ultralytics BiliBili Ultralytics Discord

交流と貢献

YOLOv5での旅は、一人で行う必要はありません。GitHubで活発な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ましょう。その他の魅力的なコンテンツについては、TikTokやBiliBiliでフォローしてください。

貢献に興味がありますか？コードの改善からバグ報告、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確認してください。

あなたがYOLOv5を使ってどのような革新的な方法を生み出すのかを楽しみにしています。飛び込んで実験し、コンピュータビジョンプロジェクトに革命を起こしましょう！ 🚀

FAQ

Ultralytics YOLOv5の主な特徴は何ですか？

Ultralytics YOLOv5は、その高速かつ高精度な物体検出能力で知られています。PyTorchを基盤としており、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) やモデルアンサンブルといった複数の学習テクニックのサポート、そしてTFLite、ONNX、CoreML、TensorRTなどのエクスポートフォーマットとの互換性があります。Ultralytics YOLOv5がどのようにプロジェクトを向上させることができるかをさらに深く掘り下げるには、TFLite, ONNX, CoreML, TensorRT エクスポートガイドをご覧ください。

自分のデータセットでカスタムYOLOv5モデルを学習するにはどうすればよいですか？

独自のデータセットでカスタムYOLOv5モデルを学習するには、いくつかの重要な手順が必要です。まず、ラベル付けされた必要な形式でデータセットを準備します。次に、YOLOv5の学習パラメータを設定し、train.pyスクリプトを使用して学習プロセスを開始します。このプロセスの詳細なチュートリアルについては、カスタムデータ学習ガイドを参照してください。特定のユースケースで最適な結果を得るための手順を追った説明を提供しています。

RCNNのような他の物体検出モデルよりもUltralytics YOLOv5を使用すべき理由は何ですか？

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のため、R-CNNのようなモデルよりも好まれています。YOLOv5は画像全体を一度に処理するため、複数回のパスを伴う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、さまざまなエクスポートフォーマットとのシームレスな統合と豊富なドキュメントにより、初心者から専門家まで、YOLOv5は優れた選択肢となります。アーキテクチャの利点について詳しくは、アーキテクチャ概要をご覧ください。

学習中に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の調整や、データ拡張および転移学習といったテクニックの組み込みが含まれます。Ultralyticsは、モデルのパフォーマンスを向上させるためのハイパーパラメータ進化やプルーニング/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。また、学習中に最適なパフォーマンスを達成するための実践的な洞察を提供する学習結果を最適化する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アプリケーションを実行するためにサポートされている環境は何ですか？

Ultralytics YOLOv5は、Gradient、Google Colab、Kaggleでの無料GPUノートブックのほか、Google Cloud、Amazon AWS、Azureといった主要なクラウドプラットフォームなど、さまざまな環境をサポートしています。Dockerイメージも便利なセットアップのために利用可能です。これらの環境をセットアップするための詳細なガイドについては、各プラットフォームの手順を記載したサポートされている環境セクションを確認してください。

Contributors
GitHubでページを編集 (EN)
GLglenn-jocher25PDpderrenger2RAraimbekovm1JKjk4e1RIRizwanMunawar1LAlakshanthad1BUBurhan-Q1

コメント