Guia completo para Ultralytics YOLOv5
Bem-vindo ao Ultralytics' YOLOv5🚀 Documentação! YOLOv5, a quinta iteração do revolucionário "You Only Look Once" deteção de objectos foi concebido para fornecer resultados de alta velocidade e elevada precisão em tempo real.
Construído em PyTorch, este poderoso aprendizagem profunda A estrutura do sistema de gestão de dados da Microsoft ganhou imensa popularidade pela sua versatilidade, facilidade de utilização e elevado desempenho. A nossa documentação guia-o através do processo de instalação, explica as nuances arquitectónicas do modelo, apresenta vários casos de utilização e fornece uma série de tutoriais detalhados. Estes recursos ajudá-lo-ão a aproveitar todo o potencial do YOLOv5 para o seu visão computacional projectos. Vamos lá começar!
Explorar e aprender
Aqui está uma compilação de tutoriais abrangentes que o guiarão através de diferentes aspectos de YOLOv5.
- Treinar dados personalizados 🚀 RECOMENDADO: Saiba como treinar o modelo YOLOv5 no seu conjunto de dados personalizado.
- Dicas para obter os melhores resultados de treinamento ☘️: Descubra dicas práticas para otimizar o seu processo de formação de modelos.
- Multi-GPU Training: Entenda como aproveitar várias GPUs para agilizar seu treinamento.
- PyTorch Hub 🌟 NOVO: Aprenda a carregar modelos pré-treinados através do PyTorch Hub.
- TFLite, ONNX, CoreML, TensorRT Exportar 🚀: Compreender como exportar o seu modelo para diferentes formatos.
- Aumento do tempo de teste (TTA): Explore como usar o TTA para melhorar a precisão da previsão do seu modelo.
- Agrupamento de modelos: Aprenda a estratégia de combinar vários modelos para melhorar o desempenho.
- Poda/esparsidade de modelos: Compreender os conceitos de poda e esparsidade e como criar um modelo mais eficiente.
- Evolução dos hiperparâmetros: Descubra o processo de afinação automática de hiperparâmetros para um melhor desempenho do modelo.
- Aprendizagem de transferência com camadas congeladas: Saiba como implementar a aprendizagem por transferência congelando camadas em YOLOv5.
- Resumo da arquitetura 🌟 Aprofundar os detalhes estruturais do modelo YOLOv5 .
- Roboflow para conjuntos de dados: Compreender como utilizar Roboflow para gestão de conjuntos de dados, rotulagem e aprendizagem ativa.
- ClearML Registo 🌟 Saiba como integrar o ClearML para um registo eficiente durante o treino do seu modelo.
- YOLOv5 com Neural Magic Descubra como utilizar o Deepsparse de Neural Magic para eliminar e quantificar o seu modelo YOLOv5 .
- Comet Registo 🌟 NOVO: Explore a forma de utilizar Comet para melhorar o registo de treino de modelos.
Ambientes suportados
Ultralytics fornece uma gama de ambientes prontos a utilizar, cada um pré-instalado com dependências essenciais, tais como CUDA, CUDNN, Python, e PyTorchpara dar início aos seus projectos.
- Grátis GPU Notebooks:
- Google Nuvem: Guia de início rápido do GCP
- Amazon: Guia de início rápido do 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) do YOLOv5 GitHub Actions foram aprovados com êxito. Esses testes de CI verificam rigorosamente a funcionalidade e o desempenho do YOLOv5 em vários aspectos principais: 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.
Ligar e contribuir
A sua viagem com YOLOv5 não tem de ser solitária. Junte-se à nossa vibrante comunidade no GitHub, ligue-se a profissionais no LinkedIn, partilhe os seus resultados no Twitter e encontre recursos educativos no YouTube. Siga-nos no TikTok e no BiliBili para obter mais conteúdos interessantes.
Interessado em contribuir? Aceitamos contribuições de todas as formas; desde melhorias de código e relatórios de erros até actualizações de documentação. Consulte as nossas diretrizes de contribuição para obter mais informações.
Estamos entusiasmados por ver as formas inovadoras como irá utilizar o YOLOv5. Mergulhe, experimente e revolucione seus projetos de visão computacional! 🚀
FAQ
Quais são as principais caraterísticas do Ultralytics YOLOv5 ?
Ultralytics YOLOv5 é conhecido pelas suas capacidades de deteção de objectos de alta velocidade e elevada precisão. Construído em PyTorché versátil e fácil de utilizar, tornando-o adequado para vários projectos de visão por computador. As principais caraterísticas incluem inferência em tempo real, suporte para vários truques de formação, como Test-Time Augmentation (TTA) e Model Ensembling, e compatibilidade com formatos de exportação como TFLite, ONNX, CoreML e TensorRT. Para se aprofundar na forma como Ultralytics YOLOv5 pode elevar o seu projeto, explore o nosso guia de exportação TFLite, ONNX, CoreML, TensorRT .
Como é que posso treinar um modelo YOLOv5 personalizado no meu conjunto de dados?
Treinar um modelo YOLOv5 personalizado no seu conjunto de dados envolve alguns passos importantes. Primeiro, prepare o 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 train.py guião. Para um tutorial aprofundado sobre este processo, consulte o nosso Guia "Treinar dados personalizados. Fornece instruções passo a passo para garantir resultados óptimos para o seu caso de utilização específico.
Por que razão devo utilizar o Ultralytics YOLOv5 em vez de outros modelos de deteção de objectos como o RCNN?
Ultralytics YOLOv5 é preferido a modelos como o RCNN devido à sua velocidade e precisão superiores na deteção de objectos em tempo real. O YOLOv5 processa toda a imagem de uma só vez, o que o torna significativamente mais rápido em comparação com a abordagem baseada em regiões do RCNN, que envolve várias passagens. Além disso, a integração perfeita do YOLOv5 com vários formatos de exportação e a extensa documentação fazem dele uma excelente escolha tanto para principiantes como para profissionais. Saiba mais sobre as vantagens arquitectónicas no nosso Resumo da Arquitetura.
Como posso otimizar o desempenho do modelo YOLOv5 durante o treino?
A otimização do desempenho do modelo YOLOv5 envolve o ajuste de vários hiperparâmetros e a incorporação de técnicas como o aumento de dados e a aprendizagem por transferência. Ultralytics fornece recursos abrangentes sobre a evolução dos hiperparâmetros e a poda/esparsidade para melhorar a eficiência do modelo. Pode descobrir sugestões práticas no nosso guia Sugestões para obter os melhores resultados de formação, que oferece informações práticas para obter o melhor desempenho durante a formação.
Que ambientes são suportados para executar aplicações YOLOv5 ?
Ultralytics YOLOv5 suporta uma variedade de ambientes, incluindo notebooks GPU gratuitos no Gradient, Google Colab, Kaggle, bem como as principais plataformas de nuvem, como Google Cloud, Amazon AWS e Azure. Imagens do Docker também estão disponíveis para uma configuração conveniente. Para obter um guia detalhado sobre a configuração destes ambientes, consulte a nossa secção Ambientes suportados, que inclui instruções passo a passo para cada plataforma.
