Overslaan naar inhoud

Uitgebreide gids voor Ultralytics YOLOv5

Ultralytics YOLOv5 v7.0 banner

YOLOv5 CI YOLOv5 Citeren Docker trekt
Uitvoeren op verloop Open in Colab Openen in Kaggle

Welkom op Ultralytics' YOLOv5Documentatie! YOLOv5, de vijfde iteratie van het revolutionaire "You Only Look Once" objectdetectiemodel, is ontworpen om razendsnelle, zeer nauwkeurige resultaten te leveren in realtime.

Dit krachtige deep learning framework is gebouwd op PyTorch en is enorm populair vanwege zijn veelzijdigheid, gebruiksgemak en hoge prestaties. Onze documentatie leidt je door het installatieproces, legt de architectonische nuances van het model uit, toont verschillende gebruikssituaties en biedt een reeks gedetailleerde tutorials. Deze bronnen zullen je helpen om het volledige potentieel van YOLOv5 te benutten voor je computer vision projecten. Laten we aan de slag gaan!

Verkennen en leren

Hier is een compilatie van uitgebreide tutorials die je door verschillende aspecten van YOLOv5 leiden.

Ondersteunde omgevingen

Ultralytics biedt een reeks kant-en-klare omgevingen, elk vooraf geïnstalleerd met essentiële afhankelijkheden zoals CUDA, CUDNN, Python, en PyTorchom je projecten een kickstart te geven.

Projectstatus

YOLOv5 CI

Deze badge geeft aan dat alle YOLOv5 GitHub Actions Continuous Integration (CI) tests met succes zijn doorstaan. Deze CI-tests controleren rigoureus de functionaliteit en prestaties van YOLOv5 op verschillende belangrijke aspecten: training, validatie, inferentie, export en benchmarks. Ze zorgen voor een consistente en betrouwbare werking op macOS, Windows en Ubuntu, met tests die elke 24 uur en bij elke nieuwe commit worden uitgevoerd.


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

Verbinden en bijdragen

Je reis met YOLOv5 hoeft niet een eenzame te zijn. Sluit je aan bij onze levendige community op GitHub, maak contact met professionals op LinkedIn, deel je resultaten op Twitter en vind educatieve bronnen op YouTube. Volg ons op TikTok en BiliBili voor meer boeiende content.

Geïnteresseerd in bijdragen? We verwelkomen bijdragen in alle vormen; van codeverbeteringen en bugrapporten tot documentatie-updates. Bekijk onze richtlijnen voor bijdragen voor meer informatie.

We zijn benieuwd naar de innovatieve manieren waarop je YOLOv5 zult gebruiken. Duik erin, experimenteer en revolutioneer je computer vision projecten! 🚀

FAQ

Wat zijn de belangrijkste kenmerken van Ultralytics YOLOv5 ?

Ultralytics YOLOv5 staat bekend om zijn snelle en zeer nauwkeurige objectdetectie. Het is gebouwd op PyTorch en is veelzijdig en gebruiksvriendelijk, waardoor het geschikt is voor verschillende computer vision projecten. Belangrijke functies zijn onder andere real-time inferentie, ondersteuning voor meerdere trainingstrucs zoals Test-Time Augmentation (TTA) en Model Ensembling, en compatibiliteit met exportformaten zoals TFLite, ONNX, CoreML, en TensorRT. Om dieper in te gaan op hoe Ultralytics YOLOv5 je project kan verbeteren, kun je onze TFLite, ONNX, CoreML, TensorRT Export gids bekijken.

Hoe kan ik een aangepast YOLOv5 model trainen op mijn dataset?

Het trainen van een aangepast YOLOv5 model op je dataset bestaat uit een paar belangrijke stappen. Maak eerst je dataset klaar in het vereiste formaat, geannoteerd met labels. Configureer vervolgens de YOLOv5 trainingsparameters en start het trainingsproces met behulp van de train.py script. Raadpleeg voor een uitgebreide tutorial over dit proces onze Gids Aangepaste gegevens trainen. Het biedt stapsgewijze instructies voor optimale resultaten voor jouw specifieke toepassing.

Waarom zou ik Ultralytics YOLOv5 gebruiken in plaats van andere objectdetectiemodellen zoals RCNN?

Ultralytics YOLOv5 wordt verkozen boven modellen als RCNN vanwege de superieure snelheid en nauwkeurigheid in realtime objectdetectie. YOLOv5 verwerkt het hele beeld in één keer, waardoor het aanzienlijk sneller is in vergelijking met de regio-gebaseerde aanpak van RCNN, waarbij meerdere passes nodig zijn. Daarnaast maken YOLOv5's naadloze integratie met verschillende exportformaten en uitgebreide documentatie het een uitstekende keuze voor zowel beginners als professionals. Lees meer over de architecturale voordelen in onze architectuursamenvatting.

Hoe kan ik de prestaties van YOLOv5 modellen optimaliseren tijdens het trainen?

Het optimaliseren van de prestaties van het YOLOv5 model omvat het afstemmen van verschillende hyperparameters en het toepassen van technieken zoals gegevensuitbreiding en transfer learning. Ultralytics biedt uitgebreide informatie over hyperparameter evolutie en pruning/sparsity om de efficiëntie van het model te verbeteren. Je kunt praktische tips vinden in onze gids Tips voor de beste trainingsresultaten, die bruikbare inzichten biedt voor het bereiken van optimale prestaties tijdens de training.

Welke omgevingen worden ondersteund voor het draaien van YOLOv5 applicaties?

Ultralytics YOLOv5 ondersteunt verschillende omgevingen, waaronder gratis GPU notebooks op Gradient, Google Colab, Kaggle en grote cloudplatforms zoals Google Cloud, Amazon AWS en Azure. Docker images zijn ook beschikbaar voor een gemakkelijke installatie. Bekijk voor een gedetailleerde handleiding voor het opzetten van deze omgevingen onze sectie Ondersteunde omgevingen, die stapsgewijze instructies bevat voor elk platform.



Aangemaakt 2023-11-12, Bijgewerkt 2024-07-05
Auteurs: glenn-jocher (11), lakshanthad (1), Burhan-Q (1), sergiuwaxmann (1)

Reacties