Подробное руководство по Ultralytics YOLOv5

Q: What are the key features of Ultralytics YOLOv5?

Ultralytics YOLOv5 известна своими возможностями высокоскоростного и высокоточного обнаружения объектов. Построенная на базе PyTorch, она универсальна и удобна в использовании, что делает ее подходящей для различных проектов компьютерного зрения. Ключевые особенности включают вывод в реальном времени, поддержку нескольких приемов обучения, таких как Test-Time Augmentation (TTA) и Model Ensembling, а также совместимость с форматами экспорта, такими как TFLite, ONNX, CoreML и TensorRT. Чтобы глубже изучить, как Ultralytics YOLOv5 может улучшить ваш проект, ознакомьтесь с нашим руководством по экспорту в TFLite, ONNX, CoreML, TensorRT.

Добро пожаловать в документацию Ultralytics YOLOv5🚀! Ultralytics YOLOv5, пятая итерация революционной модели обнаружения объектов "You Only Look Once", разработана для обеспечения высокой скорости и точности результатов в реальном времени. Хотя YOLOv5 остается мощным инструментом, рассмотрите возможность изучения ее преемника, Ultralytics YOLOv8, для получения последних достижений.

Созданный на базе PyTorch, этот мощный фреймворк глубокого обучения завоевал огромную популярность благодаря своей универсальности, простоте использования и высокой производительности. Наша документация проведет вас через процесс установки, объяснит архитектурные нюансы модели, продемонстрирует различные варианты использования и предоставит серию подробных руководств. Эти ресурсы помогут вам раскрыть весь потенциал YOLOv5 для ваших проектов в области компьютерного зрения. Давайте начнем!

Изучайте и учитесь

Вот подборка всесторонних руководств, которые проведут вас по различным аспектам YOLOv5.

Обучение на пользовательских данных 🚀 РЕКОМЕНДУЕТСЯ: Узнайте, как обучить модель YOLOv5 на своем пользовательском наборе данных.
Советы для достижения наилучших результатов обучения ☘️: Откройте для себя практические советы по оптимизации процесса обучения вашей модели.
Обучение с использованием нескольких GPU: Узнайте, как использовать несколько GPU для ускорения обучения.
PyTorch Hub 🌟 НОВОЕ: Узнайте, как загружать предварительно обученные модели через PyTorch Hub.
Экспорт в TFLite, ONNX, CoreML, TensorRT 🚀: Узнайте, как экспортировать свою модель в различные форматы.
Аугментация во время тестирования (TTA): Узнайте, как использовать TTA для повышения точности прогнозирования вашей модели.
Ансамблирование моделей: Изучите стратегию объединения нескольких моделей для повышения производительности.
Удаление ветвей/Разреженность модели: Ознакомьтесь с концепциями удаления ветвей и разреженности, а также с тем, как создать более эффективную модель.
Эволюция гиперпараметров: Откройте для себя процесс автоматизированной настройки гиперпараметров для повышения производительности модели.
Перенос обучения с замороженными слоями: Узнайте, как реализовать перенос обучения, замораживая слои в YOLOv5.
Обзор архитектуры 🌟 Углубитесь в структурные детали модели YOLOv5. Прочитайте сообщение в блоге YOLOv5 v6.0 для получения дополнительной информации.
Интеграция логирования ClearML 🌟 Узнайте, как интегрировать ClearML для эффективного логирования во время обучения вашей модели.
YOLOv5 с Neural Magic: Узнайте, как использовать DeepSparse от Neural Magic для обрезки и квантования вашей модели YOLOv5.
Интеграция логирования Comet 🌟 НОВОЕ: Узнайте, как использовать Comet для улучшенного логирования обучения модели.

Поддерживаемые среды

Ultralytics предоставляет ряд готовых к использованию сред, каждая из которых предварительно установлена с необходимыми зависимостями, такими как CUDA, CuDNN, Python и PyTorch, чтобы дать старт вашим проектам. Вы также можете управлять своими моделями и наборами данных с помощью Ultralytics HUB.

Бесплатные блокноты 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 указывает на то, что все тесты непрерывной интеграции (CI) YOLOv5 GitHub Actions успешно пройдены. Эти тесты CI тщательно проверяют функциональность и производительность YOLOv5 по различным ключевым аспектам: обучение, валидация, вывод, экспорт и бенчмарки. Они обеспечивают стабильную и надежную работу в macOS, Windows и Ubuntu, при этом тесты проводятся каждые 24 часа и при каждом новом коммите.

Подключайтесь и вносите свой вклад

Ваше путешествие с YOLOv5 не обязательно должно быть одиночным. Присоединяйтесь к нашему активному сообществу на GitHub, общайтесь с профессионалами на LinkedIn, делитесь своими результатами в Twitter и находите образовательные ресурсы на YouTube. Подписывайтесь на нас в TikTok и BiliBili, чтобы получать больше интересного контента.

Заинтересованы в участии? Мы приветствуем вклад в любой форме: от улучшения кода и отчетов об ошибках до обновления документации. Ознакомьтесь с нашими правилами участия для получения дополнительной информации.

Мы рады видеть инновационные способы, которыми вы будете использовать YOLOv5. Погружайтесь, экспериментируйте и совершите революцию в своих проектах компьютерного зрения! 🚀

Часто задаваемые вопросы

Каковы ключевые особенности Ultralytics YOLOv5?

Ultralytics YOLOv5 известен своими высокоскоростными и высоко-точными возможностями обнаружения объектов. Построенный на PyTorch, он универсален и удобен в использовании, что делает его подходящим для различных проектов компьютерного зрения. Ключевые особенности включают вывод в реальном времени, поддержку нескольких приемов обучения, таких как Test-Time Augmentation (TTA) и Model Ensembling, а также совместимость с форматами экспорта, такими как TFLite, ONNX, CoreML и TensorRT. Чтобы глубже изучить, как Ultralytics YOLOv5 может улучшить ваш проект, ознакомьтесь с нашим руководством по экспорту в TFLite, ONNX, CoreML, TensorRT.

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

Обучение пользовательской модели YOLOv5 на вашем наборе данных включает в себя несколько ключевых шагов. Сначала подготовьте свой набор данных в требуемом формате, аннотированный метками. Затем настройте параметры обучения YOLOv5 и запустите процесс обучения, используя train.py скрипт. Для получения подробного руководства по этому процессу обратитесь к нашему руководству по обучению пользовательским данным. В нем содержатся пошаговые инструкции, обеспечивающие оптимальные результаты для вашего конкретного случая использования.

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

Ultralytics YOLOv5 предпочтительнее моделей, таких как 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 подходом RCNN на основе регионов, который включает несколько проходов. Кроме того, простая интеграция YOLOv5 с различными форматами экспорта и обширная документация делают его отличным выбором как для начинающих, так и для профессионалов. Узнайте 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 внедрение таких методов, как аугментация данных и transfer learning. Ultralytics предоставляет исчерпывающие ресурсы по эволюции гиперпараметров и pruning/sparsity для повышения эффективности модели. Вы можете найти практические советы в нашем руководстве "Советы для достижения наилучших результатов обучения", которое предлагает действенные рекомендации для достижения оптимальной производительности во время обучения.

Какие среды поддерживаются для запуска приложений YOLOv5?

Ultralytics YOLOv5 поддерживает различные среды, 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. Подробное руководство по настройке этих сред можно найти в разделе «Поддерживаемые среды», который включает пошаговые инструкции для каждой платформы.