総合ガイドUltralytics YOLOv5

Q: What are the key features of Ultralytics YOLOv5?

Ultralytics YOLOv5 は、高速かつ高精度な物体検出能力で有名です。PyTorch 上に構築されており、汎用性が高くユーザーフレンドリーであるため、様々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、TTA（Test-Time Augmentation）やモデルアンサンブル（Model Ensembling）などの複数のトレーニングトリックのサポート、TFLite、ONNX 、CoreML 、TensorRT などのエクスポートフォーマットとの互換性などがあります。Ultralytics YOLOv5 がどのようにプロジェクトを向上させるかについては、TFLite、ONNX 、CoreML 、TensorRT エクスポートガイドをご覧ください。

Q: How can I optimize YOLOv5 model performance during training?

YOLOv5 モデルのパフォーマンスを最適化するには、様々なハイパーパラメータをチューニングし、データ増強や転移学習のようなテクニックを取り入れる必要があります。Ultralytics は、モデルの効率を改善するためのハイパーパラメータの進化とプルーニング/スパースに関する包括的なリソースを提供します。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用的な洞察を提供するTips for Best Training Resultsガイドで、実用的なヒントを見つけることができます。

Q: What environments are supported for running YOLOv5 applications?

Ultralytics YOLOv5は、Gradient、Google Colab、Kaggleの無料のGPUノートブックや、Google Cloud、Amazon AWS、Azureなどの主要な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。便利なセットアップのために、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に関する詳細なガイドについては、プラットフォームごとのステップバイステップの手順を含む、サポートされている環境のセクションをご覧ください。

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

ここでは、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のコンパイルです。

カスタムデータをトレーニングする🚀 RECOMMENDED: 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ぶ。
最高のトレーニング結果を得るためのヒント☘️：モデル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覧ください。
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迅速化する方法を理解する。
PyTorch ハブ🌟 NEW:PyTorch ハブを介して事前にトレーニングされたモデルをロードすることを学ぶ。
TFLite,ONNX,CoreML,TensorRT Export🚀：モデルを様々なフォーマットにエクスポートする方法を理解します。
テストタイム・オーグメンテーション（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ります。
モデルのアンサンブルパフォーマンスを向上させる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/スパースプルーニングとスパース性の概念を理解し、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モデル性能を向上させるための自動化されたハイパーパラメータ・チューニングのプロセスをご覧ください。
凍結レイヤーによる転移学習：YOLOv5 でレイヤーを凍結して伝達学習を実装する方法を学ぶ。
アーキテクチャーの概要🌟YOLOv5 モデルの構造的な詳細を掘り下げる。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 ログ統合🌟 統合方法を学ぶ ClearMLを統合する方法をご覧ください。
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 ロギングの統合🌟 NEW: 活用方法を探る Cometを利用する方法をご覧ください。

対応環境

Ultralytics 、以下のような重要な依存関係がプリインストールされた、すぐに使用できる環境を提供します。 CUDAやCuDNNなどの必要不可欠な依存関係がプリインストールされています、 Pythonおよび PyTorchを使用してプロジェクトを開始することができます。また、Ultralytics HUBを使っ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:
Google クラウド GCPクイックスタートガイド
アマゾン 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
ドッカー: Dockerクイックスタートガイド

プロジェクト状況

このバッジは、YOLOv5 GitHub ActionsContinuous Integration (CI) テストがすべて正常にパスしていることを示します。これらのCIテストは、トレーニング、検証、推論、エクスポート、ベンチマークといったさまざまな重要な側面にわたって、YOLOv5 の機能とパフォーマンスを厳密にチェックします。これらのテストは、macOS、Windows、Ubuntu上で、24時間ごとおよび新しいコミットごとに実施され、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 でのあなたの旅は、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ましょう。TikTokと BiliBiliで私たちをフォローして、より魅力的なコンテンツをお楽しみください。

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。

私たちは、皆さんがYOLOv5 をどのように使うか、その革新的な方法を楽しみにしています。飛び込んで、実験して、あなたの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！🚀

よくあるご質問

Ultralytics YOLOv5 の主な特徴は？

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る。で構築されています。 PyTorchで構築されており、汎用性が高くユーザーフレンドリーであるため、様々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、TTA（Test-Time Augmentation）やモデルアンサンブル（Model Ensembling）などの複数のトレーニングトリックのサポート、TFLite、ONNX 、CoreML 、TensorRT などのエクスポートフォーマットとの互換性などがあります。Ultralytics YOLOv5 がどのようにプロジェクトを向上させるかについては、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モデル（YOLOv5 ）をトレーニングするには？

あなたのデータセットでカスタム・モデル（YOLOv5 ）をトレーニングするには、いくつかの重要なステップがある。まず、ラベルで注釈を付けたデータセットを必要な形式で準備する。次に、YOLOv5 の学習パラメータを設定し、の train.py スクリプトを使用します。このプロセスの詳細なチュートリアルについては、私たちのカスタムデータ・ガイド.特定のユースケースに最適な結果が得られるよう、ステップ・バイ・ステップで説明します。

なぜRCNNのような他の物体検出モデルではなく、Ultralytics YOLOv5 。

Ultralytics YOLOv5 5は、リアルタイムの物体検出において、その優れた速度と精度により、R-CNNのようなモデルよりも好まれています。YOLOv5 、画像全体を一度に処理するため、複数回のパスが必要なRCNNの領域ベースのアプローチと比較して、格段に高速です。さらに、YOLOv55は様々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、初心者にもプロフェッショナルにも最適な選択肢となっています。アーキテクチャー上の利点については、アーキテクチャー・サマリーをご覧ください。

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？

YOLOv5 モデルのパフォーマンスを最適化するには、様々なハイパーパラメーターをチューニングし、データ増強や転移学習のようなテクニックを取り入れる必要があります。Ultralytics 、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達成するための実用的な洞察を提供するTips for Best Training Resultsガイドで、実用的なヒントを見つけることができます。

YOLOv5 、どのような環境でアプリケーションを実行できますか？

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。