<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>

Guia Completo do Ultralytics YOLOv5

Bem-vindo à documentação do YOLOv5🚀 da Ultralytics! O Ultralytics YOLOv5, a quinta iteração do revolucionário modelo de detecção de objetos "You Only Look Once", foi projetado para fornecer resultados de alta velocidade e 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 sobre o PyTorch, este poderoso framework de deep learning ganhou imensa popularidade por sua versatilidade, facilidade de uso e alto desempenho. Nossa documentação orienta você pelo processo de instalação, explica as nuances arquiteturais do modelo, apresenta vários 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!

Explore e Aprenda

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

• Treinar Dados Personalizados 🚀 RECOMENDADO: Aprenda como 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.
• Aumentação em Tempo de Teste (TTA): Explore como usar TTA para melhorar a precisão de previsão do seu modelo.
• Ensemble de Modelos: 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 🌟 Mergulhe nos detalhes estruturais do modelo YOLOv5. Leia a postagem do blog sobre o YOLOv5 v6.0 para mais insights.
• Integração de Registro com ClearML 🌟 Aprenda como integrar o ClearML para um registro eficiente durante o treinamento do seu modelo.
• YOLOv5 com Neural Magic: Descubra como usar o DeepSparse da Neural Magic para podar e quantizar seu modelo YOLOv5.
• Integração de Registro com Comet 🌟 NOVO: Explore como utilizar o Comet para melhorar o registro de treinamento do modelo.

Ambientes Suportados

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

• Notebooks com GPU Gratuita:
• 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

Status do Projeto

Este selo indica que todos os testes de Integração Contínua (CI) do 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 realizados a cada 24 horas e a cada novo commit.

Conecte-se e Contribua

Sua jornada com o YOLOv5 não precisa ser solitária. Junte-se à nossa vibrante comunidade 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 para ver as maneiras inovadoras como você usará o YOLOv5. Mergulhe fundo, experimente e revolucione seus projetos de visão computacional! 🚀

FAQ

Quais 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 sobre o PyTorch, é versátil e fácil de usar, tornando-o adequado para vários projetos de visão computacional. Os principais recursos incluem inferência em tempo real, suporte para vários truques de treinamento, como Aumentação em Tempo de Teste (TTA) e Ensemble de Modelos, e compatibilidade com formatos de exportação como TFLite, ONNX, CoreML e TensorRT. Para aprofundar em como o Ultralytics YOLOv5 pode elevar seu projeto, explore nosso guia de Exportação para TFLite, ONNX, CoreML, TensorRT.

Como posso treinar um modelo YOLOv5 personalizado no meu conjunto de dados?

Treinar um modelo YOLOv5 personalizado no seu conjunto de dados envolve alguns passos fundamentais. Primeiro, prepare seu conjunto de dados no formato necessário, anotado com etiquetas. 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 Dados Personalizados. Ele fornece instruções passo a passo para garantir resultados ideais para seu caso de uso específico.

Por 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 região 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 quanto para profissionais. Saiba mais sobre as vantagens arquiteturais em nosso Resumo da Arquitetura.

Como posso otimizar o desempenho do modelo YOLOv5 durante o treinamento?

Otimizar o desempenho do modelo YOLOv5 envolve ajustar vários hiperparâmetros e incorporar técnicas como aumentação de dados e transfer learning. A 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.

Quais ambientes são suportados para executar aplicações YOLOv5?

O Ultralytics YOLOv5 suporta uma variedade de ambientes, incluindo notebooks com GPU gratuita no Gradient, Google Colab e Kaggle, além das principais plataformas em 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, verifique nossa seção Ambientes Suportados, que inclui instruções passo a passo para cada plataforma.