総合ガイドUltralytics YOLOv5

Ultralytics' へようこそ YOLOv5🚀 ドキュメンテーション！YOLOv5革命的な "You Only Look Once "の第5弾。 オブジェクト検出 モデルは、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る。

PyTorch 、この強力な ディープラーニング フレームワークは、その多用途性、使いやすさ、高いパフォーマンスで絶大な人気を集めています。私たちのドキュメントは、インストールプロセスをガイドし、モデルのアーキテクチャのニュアンスを説明し、様々な使用例を紹介し、一連の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、YOLOv5 の可能性を最大限に活用するのに役立ちます。 コンピュータビジョン プロジェクト始めよう！

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・サマリー🌟YOLOv5 モデルの構造的な詳細を掘り下げる。
• Roboflow データセットのために：Roboflow 、データセットの管理、ラベリング、アクティブラーニングに活用する方法を理解する。
• ClearML ロギング🌟ClearML を統合してモデルトレーニング中に効率的にロギングする方法を学びます。
• YOLOv5 withNeural Magic Neural Magic の Deepsparse を使って、YOLOv5 モデルを刈り込み、量子化する方法を発見する。
• Comet ロギング🌟 NEW:Comet を活用してモデルトレーニングのロギングを改善する方法を探ります。

対応環境

Ultralytics をはじめとする必要不可欠な依存関係がプリインストールされた、さまざまなすぐに使える環境を提供する。 CUDAやCUDNN、 Pythonそして PyTorchなどがプリインストールされています。

• 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。

貢献すること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、あらゆる形での貢献を歓迎します。詳しくはコントリビュート・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 YOLOv5 は、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大幅に高速です。さらに、 の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。アーキテクチャの利点については、YOLOv5アーキテクチャの概要をご覧ください。

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。

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 ノートブックや、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。セットアップに便利なDockerイメージも用意されています。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、各プラットフォーム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。

📅作成：1年前 ✏️更新：1ヶ月前

コメント