Guia completo do Ultralytics YOLOv5#
Bem-vindo à documentação do Ultralytics YOLOv5🚀! O Ultralytics YOLOv5, a quinta iteração do revolucionário modelo de deteção de objetos "You Only Look Once", foi concebido para fornecer resultados de alta velocidade e precisão em tempo real. Embora o YOLOv5 continue a ser uma ferramenta poderosa, considera explorar os seus sucessores, Ultralytics YOLOv8, YOLO11 e YOLO26, para conhecer os avanços mais recentes.
Construído sobre PyTorch, este poderoso framework de aprendizagem profunda conquistou uma enorme popularidade graças à sua versatilidade, facilidade de utilização e elevado desempenho. A nossa documentação orienta-te ao longo do processo de instalação, explica as particularidades arquiteturais do modelo, apresenta vários casos de utilização e fornece uma série de tutoriais detalhados. Estes recursos vão ajudar-te a aproveitar todo o potencial do YOLOv5 nos teus projetos de visão computacional. Vamos começar!
Explora e aprende#
Esta é uma compilação de tutoriais abrangentes que te vão orientar por diferentes aspetos do YOLOv5.
- Treinar dados personalizados 🚀 RECOMENDADO: aprende a treinar o modelo YOLOv5 no teu próprio conjunto de dados.
- Dicas para obter os melhores resultados de treino ☘️: descobre dicas práticas para otimizar o processo de treino do teu modelo.
- Treino com várias GPU: compreende como tirar partido de várias GPU para acelerar o teu treino.
- PyTorch Hub: Aprende a carregar modelos pré-treinados via PyTorch Hub.
- Exportação para TFLite, ONNX, CoreML e TensorRT 🚀: compreende como exportar o teu modelo para diferentes formatos.
- Aumento em tempo de teste (TTA): explora como utilizar TTA para melhorar a precisão das previsões do teu modelo.
- Ensemble de modelos: aprende a estratégia de combinar vários modelos para melhorar o desempenho.
- Poda/esparsidade de modelos: compreende 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 aprendizagem por transferência congelando camadas no YOLOv5.
- Resumo da arquitetura 🌟 Explora os detalhes estruturais do modelo YOLOv5. Lê a publicação do blogue sobre o YOLOv5 v6.0 para obter mais informações.
- Integração de registos com o ClearML 🌟 Aprende a integrar o ClearML para obter registos eficientes durante o treino do teu modelo.
- YOLOv5 com Neural Magic: descobre como utilizar o DeepSparse da Neural Magic para podar e quantizar o teu modelo YOLOv5.
- Comet Logging Integration: Explora como utilizar Comet para um melhor registro de treinamento de modelos.
Ambientes suportados#
A Ultralytics disponibiliza vários ambientes prontos a utilizar, cada um com dependências essenciais pré-instaladas, como CUDA, CuDNN, Python e PyTorch, para iniciares os teus projetos. Também podes gerir os teus modelos e conjuntos de dados utilizando a Ultralytics Platform.
- Notebooks GPU gratuitos:
- 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 selo indica que todos os testes de Integração Contínua (CI) das 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 importantes: treino, validação, inferência, exportação e benchmarks. Garantem um funcionamento consistente e fiável no macOS, Windows e Ubuntu, com testes realizados a cada 24 horas e após cada novo commit.
Liga-te e contribui#
A tua jornada com o YOLOv5 não tem de ser solitária. Junta-te à nossa comunidade dinâmica no GitHub, contacta 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 conteúdo envolvente.
Tens interesse em contribuir? Aceitamos contribuições de todos os tipos, desde melhorias de código e relatórios de erros até atualizações da documentação. Consulta as nossas diretrizes de contribuição para obteres mais informações.
Estamos entusiasmados por ver as formas inovadoras como vais utilizar o YOLOv5. Mergulha, experimenta e revoluciona os teus projetos de visão computacional! 🚀
Perguntas frequentes#
O Ultralytics YOLOv5 é reconhecido pelas suas capacidades de deteção de objetos de alta velocidade e elevada precisão. Construído sobre PyTorch, é versátil e fácil de utilizar, sendo adequado para vários projetos de visão computacional. As principais funcionalidades incluem inferência em tempo real, suporte para várias técnicas de treino, como aumento em tempo de teste (TTA) e ensemble de modelos, e compatibilidade com formatos de exportação como TFLite, ONNX, CoreML e TensorRT. Para explorares mais detalhadamente como o Ultralytics YOLOv5 pode elevar o teu projeto, consulta o nosso guia de exportação para TFLite, ONNX, CoreML e TensorRT.
Treinar um modelo YOLOv5 personalizado com o teu conjunto de dados envolve alguns passos importantes. Primeiro, prepara o teu conjunto de dados no formato necessário, com anotações e etiquetas. Em seguida, configura os parâmetros de treino do YOLOv5 e inicia o processo de treino utilizando o script
train.py. Para consultares um tutorial detalhado sobre este processo, vê o nosso guia para treinar dados personalizados. Este guia fornece instruções passo a passo para garantir resultados ideais no teu caso de utilização específico.O Ultralytics YOLOv5 é preferido a modelos como o R-CNN devido à sua velocidade e precisão superiores na deteção de objetos em tempo real. O YOLOv5 processa a imagem inteira de uma só vez, tornando-se significativamente mais rápido do que a abordagem baseada em regiões do RCNN, que envolve várias passagens. Além disso, a integração simples do YOLOv5 com vários formatos de exportação e a documentação abrangente fazem dele uma excelente escolha tanto para iniciantes como para profissionais. Sabe mais sobre as vantagens arquiteturais no nosso Resumo da arquitetura.
Otimizar o desempenho do modelo YOLOv5 envolve ajustar vários hiperparâmetros e incorporar técnicas como aumento de dados e aprendizagem por transferência. A Ultralytics disponibiliza recursos abrangentes sobre evolução de hiperparâmetros e poda/esparsidade para melhorar a eficiência do modelo. Podes descobrir dicas práticas no nosso guia de dicas para obter os melhores resultados de treino, que oferece orientações práticas para alcançar um desempenho ideal durante o treino.
O Ultralytics YOLOv5 suporta vários ambientes, incluindo notebooks GPU gratuitos no Gradient, Google Colab e Kaggle, bem como as principais plataformas de cloud, como Google Cloud, Amazon AWS e Azure. Também estão disponíveis imagens Docker para uma configuração conveniente. Para consultares um guia detalhado sobre a configuração destes ambientes, vê a nossa secção Ambientes suportados, que inclui instruções passo a passo para cada plataforma.