Uitgebreide gids voor Ultralytics YOLOv5
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.
- Aangepaste gegevens trainen 🚀 AANBEVOLEN: Leer hoe je het YOLOv5 model kunt trainen op je aangepaste dataset.
- Tips voor de beste trainingsresultaten ☘️: Ontdek praktische tips om je modeltrainingsproces te optimaliseren.
- Multi-GPU-training: Begrijp hoe je meerdere GPU's kunt gebruiken om je training te versnellen.
- PyTorch Hub 🌟 NIEUW: Leer om voorgetrainde modellen te laden via PyTorch Hub.
- TFLite, ONNX, CoreML, TensorRT Exporteren 🚀: Begrijpen hoe je je model naar verschillende formaten kunt exporteren.
- NVIDIA Jetson platform Deployment 🌟 NIEUW: Leer hoe je je YOLOv5 model kunt implementeren op het NVIDIA Jetson platform.
- Testtijdvergroting (TTA): Ontdek hoe je TTA kunt gebruiken om de voorspellingsnauwkeurigheid van je model te verbeteren.
- Ensembleren van modellen: Leer de strategie van het combineren van meerdere modellen voor betere prestaties.
- Model snoeien/sparsity: Begrijp de concepten snoeien en spaarzaamheid en hoe je een efficiënter model kunt maken.
- Hyperparameter evolutie: Ontdek het proces van geautomatiseerde hyperparameter tuning voor betere modelprestaties.
- Transferleren met bevroren lagen: Leer hoe je transfer learning kunt implementeren door lagen te bevriezen in YOLOv5.
- Architectuursamenvatting 🌟 Verdiep je in de structurele details van het YOLOv5 model.
- Roboflow voor datasets: Begrijp hoe je Roboflow kunt gebruiken voor datasetbeheer, labeling en actief leren.
- ClearML Loggen 🌟 Leer hoe je ClearML kunt integreren voor efficiënt loggen tijdens je modeltraining.
- YOLOv5 met Neural Magic Ontdek hoe je Deepsparse van Neural Magic kunt gebruiken om je YOLOv5 model te verfijnen en kwantiseren.
- Comet Loggen 🌟 NIEUW: Ontdek hoe je Comet kunt gebruiken om het loggen van modeltrainingen te verbeteren.
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.
- Gratis GPU notitieboeken:
- Google Cloud: GCP snelstartgids
- Amazon: AWS Snelstartgids
- Azure: AzureML snelstartgids
- Docker: Docker snelstartgids
Projectstatus
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.
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 Instagram 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! 🚀