<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>

Полное руководство по Ultralytics YOLOv5

Добро пожаловать в документацию Ultralytics YOLOv5🚀! Ultralytics YOLOv5, пятое поколение революционной модели обнаружения объектов «You Only Look Once», создано для обеспечения высокой скорости и точности в реальном времени. Хотя YOLOv5 остается мощным инструментом, рассмотри возможность использования ее преемников, Ultralytics YOLOv8, YOLO11 и YOLO26, для доступа к последним инновациям.

Построенный на базе PyTorch, этот мощный фреймворк глубокого обучения завоевал огромную популярность благодаря своей универсальности, простоте использования и высокой производительности. Наша документация поможет тебе в процессе установки, объяснит архитектурные нюансы модели, продемонстрирует различные варианты использования и предоставит серию подробных руководств. Эти ресурсы помогут тебе максимально эффективно использовать потенциал YOLOv5 в твоих проектах компьютерного зрения. Давай начнем!

Исследуй и изучай

Здесь собраны подробные руководства, которые помогут тебе освоить различные аспекты YOLOv5.

• Обучение на собственных данных 🚀 РЕКОМЕНДУЕТСЯ: Узнай, как обучить модель YOLOv5 на своем собственном наборе данных.
• Советы для достижения лучших результатов обучения ☘️: Открой для себя практические советы по оптимизации процесса обучения модели.
• Обучение с несколькими GPU: Узнай, как использовать несколько GPU для ускорения процесса обучения.
• PyTorch Hub 🌟 НОВИНКА: Научись загружать предварительно обученные модели через PyTorch Hub.
• Экспорт в TFLite, ONNX, CoreML, TensorRT 🚀: Узнай, как экспортировать свою модель в различные форматы.
• Аугментация во время тестирования (TTA): Исследуй, как использовать TTA для повышения точности предсказаний твоей модели.
• Ансамблирование моделей: Изучи стратегию объединения нескольких моделей для повышения производительности.
• Прунинг/разреженность моделей: Пойми концепции прунинга и разреженности, а также узнай, как создать более эффективную модель.
• Эволюция гиперпараметров: Открой для себя процесс автоматической настройки гиперпараметров для повышения производительности модели.
• Трансферное обучение с замороженными слоями: Узнай, как реализовать трансферное обучение, замораживая слои в YOLOv5.
• Обзор архитектуры 🌟 Погрузись в структурные детали модели YOLOv5. Прочитай запись в блоге YOLOv5 v6.0 для получения дополнительной информации.
• Интеграция логирования ClearML 🌟 Узнай, как интегрировать ClearML для эффективного ведения журналов во время обучения модели.
• YOLOv5 с Neural Magic: Узнай, как использовать DeepSparse от Neural Magic для прунинга и квантования модели YOLOv5.
• Интеграция логирования Comet 🌟 НОВИНКА: Исследуй, как использовать Comet для улучшения логирования обучения моделей.

Поддерживаемые среды

Ultralytics предоставляет ряд готовых к использованию сред, каждая из которых поставляется с предустановленными важными зависимостями, такими как CUDA, CuDNN, Python и PyTorch, чтобы ты мог быстро начать работу над своими проектами. Ты также можешь управлять своими моделями и наборами данных с помощью платформы Ultralytics.

• Бесплатные GPU ноутбуки:
• Google Cloud: Руководство по быстрому запуску GCP
• Amazon: Руководство по быстрому запуску AWS
• Azure: Руководство по быстрому запуску AzureML
• Docker: Руководство по быстрому запуску Docker

Статус проекта

Этот значок означает, что все тесты непрерывной интеграции (CI) YOLOv5 GitHub Actions успешно проходят. Эти CI-тесты строго проверяют функциональность и производительность YOLOv5 по различным ключевым аспектам: обучение, валидация, инференс, экспорт и бенчмарки. Они обеспечивают стабильную и надежную работу на macOS, Windows и Ubuntu, при этом тесты проводятся каждые 24 часа и при каждом новом коммите.

Присоединяйся и вноси свой вклад

Твое путешествие с YOLOv5 не обязательно должно быть одиночным. Присоединяйся к нашему яркому сообществу на GitHub, общайся с профессионалами в LinkedIn, делись своими результатами в Twitter и находи образовательные ресурсы на YouTube. Подписывайся на нас в TikTok и BiliBili для получения еще более интересного контента.

Хочешь внести свой вклад? Мы приветствуем любые формы участия: от улучшений кода и отчетов об ошибках до обновлений документации. Ознакомься с нашими руководящими принципами участия для получения дополнительной информации.

Мы рады видеть, какие инновационные способы использования YOLOv5 ты найдешь. Погружайся, экспериментируй и совершай революцию в своих проектах компьютерного зрения! 🚀

Часто задаваемые вопросы (FAQ)

Каковы ключевые особенности Ultralytics YOLOv5?

Ultralytics YOLOv5 славится своей высокой скоростью и высокой точностью обнаружения объектов. Построенный на PyTorch, он универсален и удобен в использовании, что делает его подходящим для различных проектов компьютерного зрения. Ключевые особенности включают инференс в реальном времени, поддержку различных приемов обучения, таких как аугментация во время тестирования (TTA) и ансамблирование моделей, а также совместимость с такими форматами экспорта, как TFLite, ONNX, CoreML и TensorRT. Чтобы глубже изучить, как Ultralytics YOLOv5 может улучшить твой проект, изучи наше руководство по экспорту в TFLite, ONNX, CoreML, TensorRT.

Как я могу обучить собственную модель YOLOv5 на своем наборе данных?

Обучение собственной модели YOLOv5 на твоем наборе данных включает несколько ключевых шагов. Сначала подготовь набор данных в требуемом формате с разметкой. Затем настрой параметры обучения YOLOv5 и запусти процесс обучения с помощью скрипта train.py. Для получения подробного руководства по этому процессу обратись к нашему Руководству по обучению на собственных данных. В нем представлены пошаговые инструкции, гарантирующие оптимальные результаты для твоего конкретного случая использования.

Почему мне стоит использовать Ultralytics YOLOv5 вместо других моделей обнаружения объектов, таких как RCNN?

Ultralytics YOLOv5 предпочтительнее моделей типа R-CNN благодаря своей превосходной скорости и точности при обнаружении объектов в реальном времени. YOLOv5 обрабатывает все изображение за один проход, что делает его значительно быстрее по сравнению с региональным подходом RCNN, который включает несколько проходов. Кроме того, бесшовная интеграция YOLOv5 с различными форматами экспорта и обширная документация делают его отличным выбором как для новичков, так и для профессионалов. Узнай больше об архитектурных преимуществах в нашем Обзоре архитектуры.

Как я могу оптимизировать производительность модели YOLOv5 во время обучения?

Оптимизация производительности модели YOLOv5 включает в себя настройку различных гиперпараметров и применение методов, таких как аугментация данных и трансферное обучение. Ultralytics предоставляет исчерпывающие ресурсы по эволюции гиперпараметров и прунингу/разреженности для повышения эффективности модели. Ты можешь найти практические советы в нашем Руководстве по достижению лучших результатов обучения, которое содержит полезные рекомендации для достижения оптимальной производительности во время обучения.

Какие среды поддерживаются для запуска приложений YOLOv5?

Ultralytics YOLOv5 поддерживает множество сред, включая бесплатные GPU-ноутбуки на Gradient, Google Colab и Kaggle, а также основные облачные платформы, такие как Google Cloud, Amazon AWS и Azure. Docker-образы также доступны для удобной настройки. Для получения подробного руководства по настройке этих сред загляни в наш раздел Поддерживаемые среды, который включает пошаговые инструкции для каждой платформы.