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 Dados Personalizados 🚀 RECOMENDADO: Aprende a treinar o modelo YOLOv5 com o teu próprio conjunto de dados.
• Dicas para Melhores Resultados de Treino ☘️: Descobre dicas práticas para otimizar o teu processo de treino de modelos.
• Treino com Múltiplas GPUs: Entende como aproveitar múltiplas GPUs para acelerar o teu treino.
• PyTorch Hub 🌟 NOVO: Aprende a carregar modelos pré-treinados via PyTorch Hub.
• Exportação para TFLite, ONNX, CoreML, TensorRT 🚀: Entende como exportar o teu modelo para diferentes formatos.
• Aumentação de Tempo de Teste (TTA): Explora como usar TTA para melhorar a precisão das previsões do teu modelo.
• Ensembling de Modelos: Aprende a estratégia de combinar múltiplos modelos para um melhor desempenho.
• Pruning/Esparsidade de Modelos: Entende conceitos de pruning 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 transfer learning congelando camadas no YOLOv5.
• Resumo da Arquitetura 🌟 Aprofunda-te nos detalhes estruturais do modelo YOLOv5. Lê o post do blog YOLOv5 v6.0 para mais informações.
• Integração de Logs ClearML 🌟 Aprende a integrar o ClearML para um registo eficiente durante o treino do teu modelo.
• YOLOv5 com Neural Magic: Descobre como usar o DeepSparse da Neural Magic para fazer pruning e quantização do teu modelo YOLOv5.
• Integração de Logs Comet 🌟 NOVO: Explora como utilizar o Comet para melhorar o registo de treino de modelos.

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 reconhecido pelas suas capacidades de deteção de objetos de alta velocidade e alta precisão. Construído em PyTorch, é versátil e fácil de usar, tornando-o adequado para vários projetos de visão computacional. As principais funcionalidades incluem inferência em tempo real, suporte para vários truques de treino como Aumentação de Tempo de Teste (TTA) e Ensembling de Modelos, e compatibilidade com formatos de exportação como TFLite, ONNX, CoreML e TensorRT. Para te aprofundares em como o Ultralytics YOLOv5 pode elevar o teu projeto, explora o 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 teu conjunto de dados envolve alguns passos fundamentais. Primeiro, prepara o teu conjunto de dados no formato necessário, anotado com etiquetas. Depois, configura os parâmetros de treino do YOLOv5 e inicia o processo de treino usando o script train.py. Para um tutorial detalhado sobre este processo, consulta o nosso guia Treinar Dados Personalizados. Este fornece instruções passo a passo para garantir resultados ideais para o teu 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 deteção 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 a documentação extensiva tornam-no uma excelente escolha tanto para principiantes como para profissionais. Sabe mais sobre as vantagens arquiteturais no 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 ajustar vários hiperparâmetros e incorporar técnicas como data augmentation e transfer learning. O Ultralytics fornece recursos abrangentes sobre evolução de hiperparâmetros e pruning/esparsidade para melhorar a eficiência do modelo. Podes descobrir dicas práticas no nosso guia Dicas para Melhores Resultados de Treino, que oferece informações úteis para atingir um desempenho ideal durante o treino.

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

O Ultralytics YOLOv5 suporta uma variedade de ambientes, incluindo notebooks de 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 a configuração destes ambientes, consulta a nossa secção Ambientes Suportados, que inclui instruções passo a passo para cada plataforma.