Guia completo da Ultralytics YOLOv5#
Boas-vindas à documentação da YOLOv5 da Ultralytics 🚀! A Ultralytics YOLOv5, quinta iteração do revolucionário modelo de deteção de objetos «You Only Look Once», foi concebida para oferecer resultados rápidos e precisos em tempo real. Embora a YOLOv5 continue a ser uma ferramenta poderosa, considera explorar as suas sucessoras, Ultralytics YOLOv8, YOLO11 e YOLO26, para conheceres os avanços mais recentes.
Desenvolvido com base em PyTorch, este poderoso framework de aprendizagem profunda conquistou enorme popularidade pela sua versatilidade, facilidade de utilização e elevado desempenho. A nossa documentação orienta-te no processo de instalação, explica os detalhes da arquitetura do modelo, apresenta vários casos de utilização e disponibiliza uma série de tutoriais detalhados. Estes recursos vão ajudar-te a tirar o máximo partido da YOLOv5 nos teus projetos de visão computacional. Vamos começar!
Explora e aprende#
Aqui está uma compilação de tutoriais completos que te vão orientar pelos diferentes aspetos da YOLOv5.
- Treinar com dados personalizados 🚀 RECOMENDADO: aprende a treinar o modelo YOLOv5 com o teu conjunto de dados personalizado.
- Dicas para obter os melhores resultados no treino ☘️: descobre dicas práticas para otimizar o processo de treino do teu modelo.
- Treino com várias GPU: aprende a tirar partido de várias GPU para acelerar o treino.
- PyTorch Hub: aprende a carregar modelos pré-treinados através do PyTorch Hub.
- Exportação para TFLite, ONNX, CoreML e TensorRT 🚀: aprende a exportar o teu modelo para diferentes formatos.
- Aumento de dados no momento da inferência (TTA): explora como usar TTA para melhorar a precisão das previsões do teu modelo.
- Ensemble de modelos: aprende a combinar vários modelos para melhorar o desempenho.
- Poda e esparsidade de modelos: aprende os conceitos de poda e esparsidade e como criar um modelo mais eficiente.
- Evolução de hiperparâmetros: descobre o processo de ajuste de hiperparâmetros automatizado para melhorar o desempenho do modelo.
- Aprendizagem por transferência com camadas congeladas: aprende a implementar a aprendizagem por transferência congelando camadas na YOLOv5.
- Resumo da arquitetura 🌟 Explora os detalhes estruturais do modelo YOLOv5. Lê a publicação do blogue sobre a YOLOv5 v6.0 para saberes mais.
- Integração de registos com ClearML 🌟 Aprende a integrar o ClearML para registar dados de forma eficiente durante o treino do teu modelo.
- YOLOv5 com Neural Magic: descobre como usar o DeepSparse da Neural Magic para podar e quantizar o teu modelo YOLOv5.
- Integração de registos com Comet: explora como usar o Comet para melhorar o registo de dados durante o treino do modelo.
Ambientes compatíveis#
A Ultralytics disponibiliza vários ambientes prontos a usar, cada um com dependências essenciais pré-instaladas, como CUDA, CuDNN, Python e PyTorch, para poderes começar os teus projetos. Também podes gerir os teus modelos e conjuntos de dados através da Ultralytics Platform.
- Notebooks gratuitos com GPU:
- Google Cloud: Guia de início rápido do GCP
- Amazon: Guia de início rápido da AWS
- Azure: Guia de início rápido do AzureML
- Docker: Guia de início rápido do Docker
Estado do projeto#
Este emblema indica que todos os testes de Integração contínua (CI) das GitHub Actions da YOLOv5 estão a passar. Estes testes de CI verificam rigorosamente a funcionalidade e o desempenho da YOLOv5 em vários aspetos importantes: treino, validação, inferência, exportação e avaliação de desempenho. Os testes garantem um funcionamento consistente e fiável em macOS, Windows e Ubuntu e são realizados a cada 24 horas e sempre que é criado um novo commit.
Liga-te e contribui#
A tua experiência com a YOLOv5 não tem de ser solitária. Junta-te à nossa comunidade ativa no GitHub, liga-te a profissionais no LinkedIn, partilha os teus resultados no Twitter e encontra recursos educativos no YouTube. Segue-nos no TikTok e no BiliBili para veres mais conteúdos interessantes.
Queres contribuir? Aceitamos contribuições de todos os tipos, desde melhorias no código e relatórios de erros até atualizações da documentação. Consulta as nossas diretrizes de contribuição para saberes mais.
Estamos entusiasmados por ver as formas inovadoras como vais usar a YOLOv5. Explora, experimenta e revoluciona os teus projetos de visão computacional! 🚀
Perguntas frequentes#
A Ultralytics YOLOv5 é conhecida pela sua deteção de objetos rápida e de elevada precisão. Desenvolvida com base em PyTorch, é versátil e fácil de usar, sendo adequada para vários projetos de visão computacional. Entre as principais funcionalidades estão a inferência em tempo real, a compatibilidade com técnicas de inferência como o aumento de dados no momento da inferência (TTA) e o ensemble de modelos, bem como a compatibilidade com formatos de exportação como TFLite, ONNX, CoreML e TensorRT. Para saberes melhor como a Ultralytics YOLOv5 pode impulsionar o teu projeto, explora o nosso guia de exportação para TFLite, ONNX, CoreML e TensorRT.
Treinar um modelo YOLOv5 personalizado com o teu conjunto de dados envolve algumas etapas importantes. Primeiro, prepara o conjunto de dados no formato necessário, com as respetivas anotações. Depois, configura os parâmetros de treino da YOLOv5 e inicia o processo de treino usando o script
train.py. Para um tutorial detalhado sobre este processo, consulta o nosso guia para treinar com dados personalizados. O guia apresenta instruções passo a passo para garantir resultados ideais no teu caso de utilização específico.A Ultralytics YOLOv5 é preferível a modelos como o R-CNN devido à sua velocidade e precisão superiores na deteção de objetos em tempo real. A YOLOv5 processa a imagem inteira de uma só vez, sendo significativamente mais rápida do que a abordagem baseada em regiões do RCNN, que envolve várias passagens. Além disso, a integração simples da YOLOv5 com vários formatos de exportação e a documentação abrangente fazem dela uma excelente opção tanto para principiantes como para profissionais. Aprende mais sobre as vantagens da arquitetura no nosso resumo da arquitetura.
Otimizar o desempenho do modelo YOLOv5 envolve ajustar vários hiperparâmetros e incorporar técnicas como o aumento de dados e a aprendizagem por transferência. A Ultralytics disponibiliza recursos abrangentes sobre evolução de hiperparâmetros e poda/esparsidade para melhorar a eficiência do modelo. Descobre dicas práticas no nosso guia de dicas para obter os melhores resultados no treino, que oferece sugestões acionáveis para alcançar um desempenho ideal durante o treino.
A Ultralytics YOLOv5 é compatível com vários ambientes, incluindo notebooks gratuitos com GPU no Gradient, no Google Colab e no Kaggle, além das principais plataformas de nuvem, como o Google Cloud, o Amazon AWS e o Azure. Também estão disponíveis imagens Docker para facilitar a configuração. Para obteres instruções detalhadas sobre como configurar estes ambientes, consulta a secção Ambientes compatíveis, que inclui instruções passo a passo para cada plataforma.