Ultralytics YOLOv5 総合ガイド#
Ultralytics YOLOv5🚀 ドキュメントへようこそ！画期的な「You Only Look Once」object detection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は強力なツールであり続けますが、最新の進化については、その後継であるUltralytics YOLOv8、YOLO11、YOLO26の探索もご検討ください。
PyTorchをベースに構築されたこの強力なdeep learningフレームワークは、その汎用性、使いやすさ、そして高性能により絶大な人気を集めています。当社のドキュメントでは、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、そして一連の詳細なチュートリアルの提供を行っています。これらのリソースは、computer visionプロジェクトでYOLOv5のポテンシャル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！
探求と学習#
YOLOv5のさまざまな側面をガイドする包括的なチュートリアル集です。
- Train Custom Data 🚀 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。
- Tips for Best Training Results ☘️: 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明らかにします。
- 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 🌟 新機能: 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フォーマットにエクスポートする方法を理解します。
- Test-Time Augmentation (TTA): TTAを使用してモデルの予測精度を向上させる方法を探索します。
- Model Ensembling: パフォーマンス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。
- Model Pruning/Sparsity: プルーニング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。
- Hyperparameter Evolution: モデルのパフォーマンスを向上させるための自動hyperparameter tuningのプロセスを発見します。
- Transfer Learning with Frozen Layers: YOLOv5でレイヤーを凍結（フリーズ）してtransfer learningを実装する方法を学びます。
- Architecture Summary 🌟 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 blog postをお読みください。
- ClearML Logging Integration 🌟 モデルのトレーニング中の効率的なロギングのためにClearMLを統合する方法を学びます。
- YOLOv5 with Neural Magic: Neural Magic's 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発見します。
- Comet Logging Integration 🌟 新機能: モデルトレーニングのロギングを改善するためにCometを活用する方法を探索します。
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に、CUDA、CuDNN、Python、PyTorchなどの重要な依存関係がプレインストールされた、すぐに使えるさまざま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できます。
- 無料GPUノートブック:
- Google Cloud: GCPクイックスタートガイド
- Amazon: AWS Quickstart Guide
- Azure: AzureML Quickstart Guide
- Docker: Dockerクイックスタートガイド
プロジェクトの状態#
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、ベンチマークの主要な側面全体で、YOLOv5 の機能とパフォーマンスを厳格にチェックします。これらは、24 時間ごとおよび新しいコミットごとにテストが実施され、macOS、Windows、Ubuntu での一貫した信頼性の高い動作を保証します。
コミュニティと貢献#
YOLOv5を使った旅は、一人で行う必要はありません。GitHubの活気あるコミュニティに参加し、LinkedInでプロフェッショナルとつながり、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。より魅力的なコンテンツのために、TikTokやBiliBiliでもフォローしてください。
貢献に興味がありますか？コードの改善やバグ報告からドキュメントの更新まで、あらゆる形式の貢献を歓迎します。詳細については、contributing guidelinesをご確認ください。
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、コンピュータビジョンプロジェクトを革命しましょう！ 🚀
よくある質問 (FAQ)#
Ultralytics YOLOv5は、高速かつ高accuracyな物体検出機能で知られています。PyTorchをベースに構築されており、汎用性と使いやすさに優れているため、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などの複数のトレーニング手法のサポート、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含まれます。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さらに掘り下げたい場合は、TFLite, ONNX, CoreML, TensorRT Export guideをご覧ください。
カスタムのYOLOv5モデルをデータセットでトレーニングするには、いくつかの重要なステップが含まれます。まず、必要な形式でデータセットを準備し、ラベルを付与します。次に、YOLOv5のトレーニングパラメータを設定し、
train.pyスクリプトを使用してトレーニングプロセスを開始します。このプロセスに関する詳細なチュートリアルについては、Train Custom Data guideをご参照ください。特定のユースケースで最適な結果を確実にするためのステップバイステップの手順が提供されています。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などの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、複数のパスを伴うR-CNN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の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、初心者からプロフェッショナルまで優れた選択肢となっています。アーキテクチャの利点についての詳細は、Architecture Summaryでご確認ください。
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の調整や、data augmentationや転移学習などの技術の取り入れが含まれます。Ultralyticsは、モデルの効率を向上させるためのhyperparameter evolutionおよびpruning/sparsity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洞察を提供するTips for Best Training Results guideで、実用的なヒントを見つけることができます。
Ultralytics YOLOv5は、Gradient、Google Colab、Kaggleの無料GPUノートブックをはじめ、Google Cloud、Amazon AWS、Azureなどの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。便利なセットアップのためのDocker images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バイステップの手順が含まれているSupported Environmentsセクションをご確認ください。