Подробное руководство по Ultralytics YOLOv5#
Добро пожаловать в документацию Ultralytics YOLOv5🚀! Ultralytics YOLOv5, пятая итерация революционной модели обнаружения объектов «You Only Look Once», предназначена для получения высокоскоростных и высокоточных результатов в режиме реального времени. Хотя YOLOv5 по-прежнему остается мощным инструментом, рекомендуем изучить его преемников — Ultralytics YOLOv8, YOLO11 и YOLO26, чтобы познакомиться с новейшими достижениями.
Созданный на базе PyTorch, этот мощный фреймворк для глубокого обучения завоевал огромную популярность благодаря универсальности, простоте использования и высокой производительности. В нашей документации описан процесс установки, объясняются архитектурные особенности модели, представлены различные варианты использования и приведен ряд подробных руководств. Эти материалы помогут тебе раскрыть весь потенциал YOLOv5 в проектах по компьютерному зрению. Давай начнем!
Изучай и осваивай#
Здесь собраны подробные руководства, которые помогут тебе разобраться в различных аспектах YOLOv5.
- Обучение на собственных данных 🚀 РЕКОМЕНДУЕМ: узнай, как обучить модель YOLOv5 на собственном наборе данных.
- Советы для достижения лучших результатов обучения ☘️: узнай о практических способах оптимизации процесса обучения модели.
- Обучение на нескольких GPU: узнай, как использовать несколько GPU для ускорения обучения.
- PyTorch Hub: научись загружать предварительно обученные модели через PyTorch Hub.
- Экспорт в TFLite, ONNX, CoreML, TensorRT 🚀: узнай, как экспортировать модель в разные форматы.
- Аугментация на этапе тестирования (TTA): узнай, как использовать TTA для повышения точности прогнозов модели.
- Ансамблирование моделей: узнай о стратегии объединения нескольких моделей для повышения производительности.
- Прореживание моделей и разреженность: разберись в концепциях прореживания и разреженности и узнай, как создать более эффективную модель.
- Эволюция гиперпараметров: узнай о процессе автоматической настройки гиперпараметров для повышения производительности модели.
- Дообучение с замороженными слоями: узнай, как реализовать дообучение, заморозив слои в YOLOv5.
- Обзор архитектуры 🌟: изучи структурные особенности модели YOLOv5. Чтобы узнать больше, прочитай публикацию в блоге о YOLOv5 v6.0.
- Интеграция журналирования ClearML 🌟: узнай, как интегрировать ClearML для эффективного журналирования во время обучения модели.
- YOLOv5 с Neural Magic: узнай, как использовать DeepSparse от Neural Magic для прореживания и квантования модели YOLOv5.
- Comet Logging Integration: узнай, как использовать Comet для улучшения логирования обучения моделей.
Поддерживаемые среды#
Ultralytics предоставляет ряд готовых к использованию сред, каждая из которых предварительно включает необходимые зависимости, такие как CUDA, CuDNN, Python и PyTorch, чтобы ты мог сразу приступить к работе над проектами. Ты также можешь управлять моделями и наборами данных с помощью Ultralytics Platform.
- Бесплатные блокноты с GPU:
- Google Cloud: краткое руководство по GCP
- Amazon: краткое руководство по AWS
- Azure: краткое руководство по AzureML
- Docker: Краткое руководство по Docker
Статус проекта#
Этот значок показывает, что все тесты непрерывной интеграции (CI) в GitHub Actions YOLOv5 успешно проходят. Эти тесты CI тщательно проверяют функциональность и производительность YOLOv5 по нескольким ключевым направлениям: обучение, валидация, инференс, экспорт и бенчмарки. Они обеспечивают стабильную и надежную работу на macOS, Windows и Ubuntu; тесты выполняются каждые 24 часа и при каждом новом коммите.
Подключайся и участвуй#
Твое знакомство с YOLOv5 не должно проходить в одиночку. Присоединяйся к нашему активному сообществу на GitHub, общайся с профессионалами в LinkedIn, делись результатами в Twitter и находи образовательные материалы на YouTube. Подписывайся на нас в TikTok и BiliBili, чтобы получать больше интересного контента.
Хочешь внести свой вклад? Мы приветствуем любые виды участия — от улучшения кода и сообщений об ошибках до обновления документации. Подробнее смотри в наших рекомендациях для участников.
Мы с нетерпением ждем, как именно ты будешь использовать YOLOv5. Погружайся, экспериментируй и меняй свои проекты по компьютерному зрению! 🚀
Часто задаваемые вопросы#
Ultralytics YOLOv5 известна высокой скоростью и высокой точностью обнаружения объектов. Созданная на базе PyTorch, она универсальна и проста в использовании, поэтому подходит для различных проектов по компьютерному зрению. Ключевые особенности включают инференс в реальном времени, поддержку нескольких методов обучения, таких как аугментация на этапе тестирования (TTA) и ансамблирование моделей, а также совместимость с форматами экспорта TFLite, ONNX, CoreML и TensorRT. Чтобы подробнее узнать, как Ultralytics YOLOv5 может улучшить твой проект, изучи наше руководство по экспорту в TFLite, ONNX, CoreML и TensorRT.
Обучение собственной модели YOLOv5 на своем наборе данных включает несколько ключевых этапов. Сначала подготовь набор данных в требуемом формате и добавь к нему разметку. Затем настрой параметры обучения YOLOv5 и запусти процесс обучения с помощью скрипта
train.py. Подробное руководство по этому процессу смотри в нашем руководстве по обучению на собственных данных. В нем приведены пошаговые инструкции, которые помогут получить оптимальные результаты для твоего конкретного сценария использования.Ultralytics YOLOv5 предпочитают моделям вроде R-CNN благодаря более высокой скорости и точности обнаружения объектов в реальном времени. YOLOv5 обрабатывает все изображение за один проход, поэтому значительно превосходит по скорости региональный подход RCNN, предусматривающий несколько проходов. Кроме того, бесшовная интеграция YOLOv5 с различными форматами экспорта и обширная документация делают эту модель отличным выбором как для начинающих, так и для профессионалов. Подробнее об архитектурных преимуществах читай в нашем обзоре архитектуры.
Оптимизация производительности модели YOLOv5 включает настройку различных гиперпараметров и применение таких методов, как аугментация данных и дообучение. Ultralytics предоставляет подробные материалы об эволюции гиперпараметров и прореживании и разреженности, которые помогают повысить эффективность модели. Практические рекомендации можно найти в нашем руководстве с советами для достижения лучших результатов обучения, где приведены конкретные способы добиться оптимальной производительности во время обучения.
Ultralytics YOLOv5 поддерживает различные среды, включая бесплатные ноутбуки с GPU на платформах Gradient, Google Colab и Kaggle, а также основные облачные платформы, такие как Google Cloud, Amazon AWS и Azure. Для удобной настройки также доступны образы Docker. Подробные инструкции по настройке этих сред смотри в разделе Поддерживаемые среды, где приведены пошаговые указания для каждой платформы.