Guia completo para Ultralytics YOLOv5

Bem-vindo ao Ultralytics' YOLOv5🚀 Documentação! YOLOv5, a quinta iteração do revolucionário modelo de deteção de objectos "You Only Look Once", foi concebido para fornecer resultados de alta velocidade e elevada precisão em tempo real.

Construído em PyTorch, este poderoso quadro de aprendizagem profunda ganhou imensa popularidade pela sua versatilidade, facilidade de utilização e elevado desempenho. A nossa documentação guia-te 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 irão ajudar-te a aproveitar todo o potencial do YOLOv5 para os teus projectos de visão por computador. Vamos começar!

Explora e aprende

Aqui está uma compilação de tutoriais abrangentes que te guiarão através de diferentes aspectos de YOLOv5.

• Treinar dados personalizados 🚀 RECOMENDADO: Aprende a treinar o modelo YOLOv5 no teu conjunto de dados personalizado.
• Dicas para obter os melhores resultados de treinamento ☘️: Descobre dicas práticas para otimizar o teu processo de formação de modelos.
• Multi-GPU Training: Compreende como tirar partido de várias GPUs para acelerar o teu treino.
• PyTorch Hub 🌟 NOVO: Aprende a carregar modelos pré-treinados através do PyTorch Hub.
• TFLite, ONNX, CoreML, TensorRT Exportar 🚀: Compreende como exportar o teu modelo para diferentes formatos.
• Aumento do tempo de teste (TTA): Explora como utilizar o TTA para melhorar a precisão da previsão do teu modelo.
• Agrupamento de modelos: Aprende a estratégia de combinar vários modelos para melhorar o desempenho.
• Poda/esparsidade de modelos: Entende os conceitos de poda e esparsidade e como criar um modelo mais eficiente.
• Evolução do hiperparâmetro: Descobre o processo de afinação automática de hiperparâmetros para um melhor desempenho do modelo.
• Transferir Aprendizagem com Camadas Congeladas: Aprende a implementar a aprendizagem por transferência congelando camadas em YOLOv5.
• Resumo da arquitetura 🌟 Aprofunda os detalhes estruturais do modelo YOLOv5 .
• Roboflow para conjuntos de dados: Compreende como utilizar Roboflow para gestão de conjuntos de dados, rotulagem e aprendizagem ativa.
• ClearML Registo 🌟 Aprende a integrar o ClearML para um registo eficiente durante o treino do teu modelo.
• YOLOv5 com Neural Magic Descobre como utilizar o Deepsparse de Neural Magic para podar e quantificar o teu modelo YOLOv5 .
• Comet Registo 🌟 NOVO: Explora como 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 teus 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.

Liga-te e contribui

A tua viagem com YOLOv5 não tem de ser solitária. Junta-te à nossa vibrante comunidade no GitHub, liga-te a profissionais no LinkedIn, partilha os teus resultados no Twitter e encontra recursos educativos no YouTube. Segue-nos no TikTok e no BiliBili para obteres mais conteúdos interessantes.

Estás interessado em contribuir? Aceitamos contribuições de todas as formas; desde melhorias no código e relatórios de erros até actualizações de documentação. Consulta as nossas directrizes de contribuição para obteres mais informações.

Estamos entusiasmados por ver as formas inovadoras como vais utilizar o YOLOv5. Mergulha, experimenta e revoluciona os teus projectos de visão computacional! 🚀

FAQ

Quais são as principais características do Ultralytics YOLOv5 ?

Ultralytics YOLOv5 é conhecido pelas suas capacidades de deteção de objectos de alta velocidade e elevada precisão. Construído em PyTorch, é versátil e fácil de utilizar, tornando-o adequado para vários projectos de visão por computador. As principais características incluem inferência em tempo real, suporte para vários truques de treino como Test-Time Augmentation (TTA) e Model Ensembling, e compatibilidade com formatos de exportação como TFLite, ONNX, CoreML, e TensorRT. Para aprofundar a forma como Ultralytics YOLOv5 pode elevar o teu projeto, explora 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 fundamentais. Primeiro, prepara o conjunto de dados no formato necessário, anotado com etiquetas. Em seguida, configura os parâmetros de treinamento do YOLOv5 e inicia o processo de treinamento usando o comando train.py script. Para um tutorial aprofundado sobre este processo, consulta o nosso Guia de formação de dados personalizados. Fornece instruções passo a passo para garantir os melhores resultados para o seu caso de utilização específico.

Por que razão devo utilizar 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. Sabe 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. Podes descobrir dicas práticas no nosso guia Dicas para obter os melhores resultados de treino, que oferece informações práticas para obter o melhor desempenho durante o treino.

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 Docker também estão disponíveis para uma configuração conveniente. Para obter um guia detalhado sobre a configuração desses ambientes, verifica a nossa secção Ambientes suportados, que inclui instruções passo a passo para cada plataforma.

Comentários