<a href="https://github.com/ultralytics/ultralytics/actions/workflows/ci.yml"><img src="https://github.com/ultralytics/ultralytics/actions/workflows/ci.yml/badge.svg" alt="Ultralytics CI"></a>
<a href="https://clickpy.clickhouse.com/dashboard/ultralytics"><img src="https://static.pepy.tech/badge/ultralytics" alt="Ultralytics Downloads"></a>
<a href="https://discord.com/invite/ultralytics"><img alt="Ultralytics Discord" src="https://img.shields.io/discord/1089800235347353640?logo=discord&logoColor=white&label=Discord&color=blue"></a>
<a href="https://community.ultralytics.com/"><img alt="Ultralytics Forums" src="https://img.shields.io/discourse/users?server=https%3A%2F%2Fcommunity.ultralytics.com&logo=discourse&label=Forums&color=blue"></a>
<a href="https://www.reddit.com/r/ultralytics/"><img alt="Ultralytics Reddit" src="https://img.shields.io/reddit/subreddit-subscribers/ultralytics?style=flat&logo=reddit&logoColor=white&label=Reddit&color=blue"></a>
<br>
<a href="https://console.paperspace.com/github/ultralytics/ultralytics"><img src="https://assets.paperspace.io/img/gradient-badge.svg" alt="Run Ultralytics on Gradient"></a>
<a href="https://colab.research.google.com/github/ultralytics/ultralytics/blob/main/examples/tutorial.ipynb"><img src="https://colab.research.google.com/assets/colab-badge.svg" alt="Open Ultralytics In Colab"></a>
<a href="https://www.kaggle.com/models/ultralytics/yolo26"><img src="https://kaggle.com/static/images/open-in-kaggle.svg" alt="Open Ultralytics In Kaggle"></a>
<a href="https://mybinder.org/v2/gh/ultralytics/ultralytics/HEAD?labpath=examples%2Ftutorial.ipynb"><img src="https://mybinder.org/badge_logo.svg" alt="Open Ultralytics In Binder"></a>

Link to this sectionGuia 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 projetado para oferecer resultados de alta velocidade e alta precisão em tempo real. Embora o YOLOv5 continue sendo uma ferramenta poderosa, considere explorar seus sucessores, Ultralytics YOLOv8, YOLO11 e YOLO26, para obter os avanços mais recentes.

Construído no PyTorch, este poderoso framework de aprendizado profundo conquistou imensa popularidade por sua versatilidade, facilidade de uso e alto desempenho. Nossa documentação guia você pelo processo de instalação, explica as nuances arquiteturais do modelo, apresenta diversos casos de uso e fornece uma série de tutoriais detalhados. Esses recursos ajudarão você a aproveitar todo o potencial do YOLOv5 para seus projetos de visão computacional. Vamos começar!

Link to this sectionExplore e Aprenda#

Aqui está uma compilação de tutoriais abrangentes que guiarão você por diferentes aspectos do YOLOv5.

• Treinar com Dados Personalizados 🚀 RECOMENDADO: Aprenda a treinar o modelo YOLOv5 no seu conjunto de dados personalizado.
• Dicas para Melhores Resultados de Treinamento ☘️: Descubra dicas práticas para otimizar seu processo de treinamento de modelo.
• Treinamento Multi-GPU: Entenda como aproveitar várias GPUs para acelerar seu treinamento.
• PyTorch Hub 🌟 NOVO: Aprenda a carregar modelos pré-treinados via PyTorch Hub.
• Exportação para TFLite, ONNX, CoreML, TensorRT 🚀: Entenda como exportar seu modelo para diferentes formatos.
• Aumento de Dados em Tempo de Teste (TTA): Explore como usar TTA para melhorar a precisão da previsão do seu modelo.
• Conjunto de Modelos (Ensemble): Aprenda a estratégia de combinar vários modelos para melhorar o desempenho.
• Poda/Esparsidade de Modelos: Entenda os conceitos de poda e esparsidade, e como criar um modelo mais eficiente.
• Evolução de Hiperparâmetros: Descubra o processo de ajuste de hiperparâmetros automatizado para um melhor desempenho do modelo.
• Transfer Learning com Camadas Congeladas: Aprenda a implementar transfer learning congelando camadas no YOLOv5.
• Resumo da Arquitetura 🌟 Aprofunde-se nos detalhes estruturais do modelo YOLOv5. Leia o post do blog YOLOv5 v6.0 para mais informações.
• Integração de Logs com ClearML 🌟 Aprenda a integrar o ClearML para um registro eficiente durante o treinamento do seu modelo.
• YOLOv5 com Neural Magic: Descubra como usar o Neural Magic's DeepSparse para podar e quantizar seu modelo YOLOv5.
• Integração de Logs com Comet 🌟 NOVO: Explore como utilizar o Comet para melhorar o registro de treinamento do modelo.

Link to this sectionAmbientes suportados#

O Ultralytics fornece uma gama de ambientes prontos para uso, cada um pré-instalado com dependências essenciais como CUDA, CuDNN, Python e PyTorch, para dar início aos seus projetos. Você também pode gerenciar seus modelos e conjuntos de dados usando a Plataforma Ultralytics.

• Notebooks de GPU Grátis:
• Google Cloud: Guia de Início Rápido GCP
• Amazon: Guia de Início Rápido AWS
• Azure: Guia de Início Rápido AzureML
• Docker: Guia de Início Rápido Docker

Link to this sectionStatus do projeto#

Este selo indica que todos os testes de Integração Contínua (CI) das GitHub Actions do YOLOv5 estão passando com sucesso. Esses testes de CI verificam rigorosamente a funcionalidade e o desempenho do YOLOv5 em vários aspectos fundamentais: treinamento, validação, inferência, exportação e benchmarks. Eles garantem uma operação consistente e confiável no macOS, Windows e Ubuntu, com testes conduzidos a cada 24 horas e a cada novo commit.

Link to this sectionConecte-se e Contribua#

Sua jornada com o YOLOv5 não precisa ser solitária. Junte-se à nossa comunidade vibrante no GitHub, conecte-se com profissionais no LinkedIn, compartilhe seus resultados no Twitter e encontre recursos educacionais no YouTube. Siga-nos no TikTok e BiliBili para mais conteúdos envolventes.

Interessado em contribuir? Aceitamos contribuições de todas as formas, desde melhorias de código e relatórios de bugs até atualizações de documentação. Confira 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! 🚀

Link to this sectionFAQ#

Link to this sectionQuais são os principais recursos do Ultralytics YOLOv5?#

O Ultralytics YOLOv5 é renomado por suas capacidades de detecção de objetos de alta velocidade e alta precisão. Construído no PyTorch, ele é versátil e fácil de usar, tornando-o adequado para diversos projetos de visão computacional. Os principais recursos incluem inferência em tempo real, suporte para vários truques de treinamento como Aumento de Dados em Tempo de Teste (TTA) e Conjunto de Modelos (Ensemble), e compatibilidade com formatos de exportação como TFLite, ONNX, CoreML e TensorRT. Para se aprofundar em como o Ultralytics YOLOv5 pode elevar seu projeto, explore nosso guia de Exportação para TFLite, ONNX, CoreML, TensorRT.

Link to this sectionComo posso treinar um modelo YOLOv5 personalizado no meu conjunto de dados?#

Treinar um modelo YOLOv5 personalizado no seu conjunto de dados envolve algumas etapas importantes. Primeiro, prepare seu conjunto de dados no formato necessário, anotado com rótulos. Em seguida, configure os parâmetros de treinamento do YOLOv5 e inicie o processo de treinamento usando o script train.py. Para um tutorial detalhado sobre este processo, consulte nosso guia Treinar com Dados Personalizados. Ele fornece instruções passo a passo para garantir resultados ideais para seu caso de uso específico.

Link to this sectionPor que devo usar o Ultralytics YOLOv5 em vez de outros modelos de detecção de objetos como o RCNN?#

O Ultralytics YOLOv5 é preferido em relação a modelos como R-CNN devido à sua velocidade e precisão superiores na detecção de objetos em tempo real. O YOLOv5 processa a imagem inteira 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 sua documentação abrangente tornam-no uma excelente escolha tanto para iniciantes quanto para profissionais. Saiba mais sobre as vantagens arquiteturais em nosso Resumo da Arquitetura.

Link to this sectionComo posso otimizar o desempenho do modelo YOLOv5 durante o treinamento?#

Otimizar o desempenho do modelo YOLOv5 envolve o ajuste de vários hiperparâmetros e a incorporação de técnicas como aumento de dados e transfer learning. O Ultralytics fornece recursos abrangentes sobre evolução de hiperparâmetros e poda/esparsidade para melhorar a eficiência do modelo. Você pode descobrir dicas práticas em nosso guia Dicas para Melhores Resultados de Treinamento, que oferece insights acionáveis para alcançar o desempenho ideal durante o treinamento.

Link to this sectionQuais ambientes são suportados para executar aplicações YOLOv5?#

O Ultralytics YOLOv5 suporta uma variedade de ambientes, incluindo notebooks GPU gratuitos no Gradient, Google Colab e Kaggle, bem como grandes plataformas de nuvem como Google Cloud, Amazon AWS e Azure. Imagens Docker também estão disponíveis para uma configuração conveniente. Para um guia detalhado sobre como configurar esses ambientes, confira nossa seção Ambientes Suportados, que inclui instruções passo a passo para cada plataforma.