Guia Completo do Ultralytics YOLOv5#
Bem-vindo à documentação do Ultralytics YOLOv5🚀! O Ultralytics YOLOv5, a quinta iteração do revolucionário modelo de detecção de objetos "You Only Look Once", foi concebido para oferecer resultados de alta velocidade e alta precisão em tempo real. Embora o YOLOv5 continue a ser uma ferramenta poderosa, considera explorar os seus sucessores, Ultralytics YOLOv8, YOLO11 e YOLO26, para obteres os mais recentes avanços.
Construído sobre o PyTorch, este poderoso framework de deep learning ganhou imensa popularidade pela sua versatilidade, facilidade de uso e alto desempenho. A nossa documentação guia-te pelo processo de instalação, explica as nuances arquitetónicas do modelo, apresenta vários casos de uso e fornece uma série de tutoriais detalhados. Estes recursos ajudar-te-ão a aproveitar todo o potencial do YOLOv5 para os teus projetos de computer vision. Vamos começar!
Explore e Aprenda#
Aqui está uma compilação de tutoriais abrangentes que guiarão você por diferentes aspectos do YOLOv5.
- Treinar Dados Personalizados 🚀 RECOMENDADO: Aprende a treinar o modelo YOLOv5 com o teu conjunto de dados personalizado.
- Dicas para Melhores Resultados de Treinamento ☘️: Descobre dicas práticas para otimizar o teu processo de treinamento de modelos.
- Treinamento Multi-GPU: Compreende como aproveitar múltiplas GPUs para acelerar o teu treinamento.
- PyTorch Hub 🌟 NOVO: Aprende a carregar modelos pré-treinados através do PyTorch Hub.
- Exportação TFLite, ONNX, CoreML, TensorRT 🚀: Compreende como exportar o teu modelo para diferentes formatos.
- Test-Time Augmentation (TTA): Explora como usar a TTA para melhorar a precisão de previsão do teu modelo.
- Ensemble de Modelos: Aprende a estratégia de combinar múltiplos modelos para um melhor desempenho.
- Podagem/Esparsidade de Modelos: Compreende os conceitos de podagem e esparsidade e como criar um modelo mais eficiente.
- Evolução de Hiperparâmetros: Descobre o processo de ajuste de hiperparâmetros automatizado para um melhor desempenho do modelo.
- Transfer Learning com Camadas Congeladas: Aprende a implementar o transfer learning congelando camadas no YOLOv5.
- Resumo da Arquitetura 🌟 Mergulha nos detalhes estruturais do modelo YOLOv5. Lê a postagem do blog do YOLOv5 v6.0 para mais percepções.
- Integração de Registo do ClearML 🌟 Aprende a integrar o ClearML para um registo eficiente durante o treinamento do teu modelo.
- YOLOv5 com Neural Magic: Descobre como usar o Neural Magic's DeepSparse para podar e quantizar o teu modelo YOLOv5.
- Integração de Registo do Comet 🌟 NOVO: Explora como utilizar o Comet para melhorar o registo do treinamento de modelos.
Ambientes suportados#
O Ultralytics fornece uma gama de ambientes prontos a usar, cada um pré-instalado com dependências essenciais como CUDA, CuDNN, Python e PyTorch, para dar início aos teus projetos. Também podes gerir os teus modelos e conjuntos de dados usando a Ultralytics Platform.
- Free GPU Notebooks:
- Google Cloud: Guia de Início Rápido do GCP
- Amazon: Guia de Início Rápido da AWS
- Azure: Guia de Início Rápido do AzureML
- Docker: Docker Quickstart Guide
Status do projeto#
Este crachá indica que todos os testes de Integração Contínua (CI) do GitHub Actions do YOLOv5 estão a passar com sucesso. Estes testes de CI verificam rigorosamente a funcionalidade e o desempenho do YOLOv5 em vários aspetos fundamentais: treino, validação, inferência, exportação e testes de desempenho. Garantem um funcionamento consistente e fiável no macOS, Windows e Ubuntu, com testes realizados a cada 24 horas e a cada novo commit.
Conecte-se e Contribua#
A tua jornada com o YOLOv5 não precisa de ser solitária. Junta-te à nossa vibrante comunidade no GitHub, conecta-te com profissionais no LinkedIn, partilha os teus resultados no Twitter e encontra recursos educacionais no YouTube. Segue-nos no TikTok e no BiliBili para conteúdos mais cativantes.
Tens interesse em contribuir? Aceitamos contribuições de todas as formas, desde melhorias de código e relatórios de bugs até atualizações de documentação. Consulta as nossas diretrizes de contribuição para mais informações.
Estamos empolgados em ver as formas inovadoras que você usará o YOLOv5. Mergulhe, experimente e revolucione seus projetos de visão computacional! 🚀
FAQ#
O Ultralytics YOLOv5 é renomado pelas suas capacidades de deteção de objetos de alta velocidade e alta precisão. Construído sobre o PyTorch, é versátil e fácil de usar, tornando-o adequado para vários projetos de computer vision. As principais caraterísticas incluem inferência em tempo real, suporte para múltiplos truques de treinamento como Test-Time Augmentation (TTA) e Ensemble de Modelos, e compatibilidade com formatos de exportação como TFLite, ONNX, CoreML e TensorRT. Para aprofundar como o Ultralytics YOLOv5 pode elevar o teu projeto, explora o nosso guia de exportação TFLite, ONNX, CoreML, TensorRT.
O treinamento de um modelo YOLOv5 personalizado no teu conjunto de dados envolve alguns passos fundamentais. Primeiro, prepara o teu conjunto de dados no formato necessário, anotado com rótulos. Depois, configura os parâmetros de treinamento do YOLOv5 e inicia o processo de treinamento usando o script
train.py. Para um tutorial detalhado sobre este processo, consulta o nosso guia de treino de dados personalizados. Este fornece instruções passo a passo para garantir resultados ótimos para o teu caso de uso específico.O Ultralytics YOLOv5 é preferido em detrimento de modelos como o R-CNN devido à sua velocidade e precisão superiores na deteção de objetos em tempo real. O YOLOv5 processa toda a imagem de uma só vez, tornando-o significativamente mais rápido em comparação com a abordagem baseada em regiões do RCNN, que envolve múltiplas passagens. Além disso, a integração perfeita do YOLOv5 com vários formatos de exportação e a extensa documentação fazem dele uma excelente escolha tanto para iniciantes como para profissionais. Sabe mais sobre as vantagens arquitetónicas no nosso Resumo da Arquitetura.
A otimização do desempenho do modelo YOLOv5 envolve o ajuste de vários hiperparâmetros e a incorporação de técnicas como data augmentation e transfer learning. O Ultralytics fornece recursos abrangentes sobre evolução de hiperparâmetros e podagem/esparsidade para melhorar a eficiência do modelo. Podes descobrir dicas práticas no nosso guia de dicas para melhores resultados de treinamento, que oferece perceções acionáveis para alcançar o desempenho ideal durante o treinamento.
O Ultralytics YOLOv5 suporta uma variedade de ambientes, incluindo cadernos de GPU gratuitos no Gradient, Google Colab e Kaggle, bem como nas principais plataformas de nuvem como Google Cloud, Amazon AWS e Azure. As imagens do Docker também estão disponíveis para uma configuração conveniente. Para um guia detalhado sobre a configuração destes ambientes, consulta a nossa secção de Ambientes Suportados, que inclui instruções passo a passo para cada plataforma.