Ultralytics YOLOv5総合ガイド#
Ultralytics YOLOv5🚀ドキュメントへようこそ！革新的な「一度だけ見る」物体検出モデルの5番目のイテレーションであるUltralytics YOLOv5は、リアルタイムで高速かつ高精度な結果を提供できるように設計されています。YOLOv5は現在も強力なツールですが、最新の進歩を取り入れるため、後継モデルであるUltralytics YOLOv8、YOLO11、YOLO26もご検討ください。
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、汎用性、使いやすさ、高いパフォーマンスにより大きな人気を集めています。本ドキュメントでは、インストール手順、モデルのアーキテクチャの特徴、さまざまなユースケース、詳細なチュートリアルをご案内します。これらのリソースを活用して、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！
探索と学習#
YOLOv5のさまざまな側面を案内する、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。
- 最適なトレーニング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ための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理解します。
- PyTorch Hub: PyTorch Hub を介して事前学習済みモデルを読み込む方法を学びます。
- 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理解します。
- テスト時データ拡張（TTA）：TTAを使用してモデルの予測精度を向上させる方法を学びます。
- 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びます。
- モデルのプルーニング／スパース性：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の作成方法を理解します。
- ハイパーパラメーター進化：モデルのパフォーマンスを向上させる自動ハイパーパラメーターチューニングのプロセスをご紹介します。
- 凍結層を使用した転移学習：YOLOv5の層を凍結して転移学習を実装する方法を学びます。
- アーキテクチャ概要 🌟 YOLOv5モデルの構造の詳細を掘り下げます。さらに詳しく知りたい場合は、YOLOv5 v6.0ブログ記事をご覧ください。
- ClearMLロギング統合 🌟 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、ClearMLを統合する方法を学びます。
- Neural Magicによる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 Logging Integration: モデルのトレーニングログを改善するために Comet を活用する方法を探索します。
サポート対象の環境#
Ultralyticsは、CUDA、CuDNN、Python、PyTorchなどの必須依存関係があらかじめ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ており、プロジェクトをすぐに開始できます。Ultralytics Platform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）テストに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、さまざまな主要領域におけるYOLOv5の機能とパフォーマンスを厳密に確認します。24時間ごとおよび新しいコミットごとにテストを実施し、macOS、Windows、Ubuntuで一貫した信頼性の高い動作を保証します。
つながり、貢献する#
YOLOv5を使った取り組みは、ひとり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。さらに、TikTokとBiliBiliをフォローして、より魅力的なコンテンツをご覧ください。
貢献に関心がありますか？コードの改善やバグレポート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確認ください。
皆さまがYOLOv5を活用して生み出す革新的な方法を楽しみにしています。ぜひ取り組み、実験して、コンピュータービジョンプロジェクトに革新をもたらしましょう！ 🚀
FAQ#
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を基盤としており、汎用性と使いやすさを備えているため、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。主な特徴には、リアルタイム推論、テスト時データ拡張（TTA）やモデルアンサンブルなど複数のトレーニング手法への対応、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強化できるか詳しく知るには、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、ラベルでアノテーションを付け、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、カスタムデータのトレーニング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順を追って説明しています。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、モデルの効率を向上させるためのハイパーパラメーター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。最適なトレーニング結果を得るためのヒントガイドでは、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知見を紹介しています。
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。便利にセットアップできるよう、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について詳しくは、各プラットフォームの手順を順を追って説明しているサポート対象の環境セクションをご確認ください。