Полное руководство по Ultralytics YOLOv5#
Добро пожаловать в документацию Ultralytics YOLOv5🚀! Ultralytics YOLOv5, пятая итерация революционной модели обнаружения объектов «You Only Look Once», создана для обеспечения высокой скорости и точности в реальном времени. Хотя YOLOv5 остается мощным инструментом, рассмотри возможность изучения ее преемников, Ultralytics YOLOv8, YOLO11 и YOLO26, чтобы узнать о новейших достижениях.
Созданный на базе PyTorch, этот мощный фреймворк глубокого обучения завоевал огромную популярность благодаря своей универсальности, простоте использования и высокой производительности. Наша документация проведет тебя через процесс установки, объяснит архитектурные нюансы модели, продемонстрирует различные варианты использования и предоставит серию подробных руководств. Эти ресурсы помогут тебе раскрыть весь потенциал YOLOv5 для твоих проектов в области компьютерного зрения. Давай начнем!
Исследуй и учись#
Вот сборник подробных руководств, которые помогут тебе разобраться в различных аспектах YOLOv5.
- Обучение на пользовательских данных 🚀 РЕКОМЕНДУЕТСЯ: узнай, как обучить модель YOLOv5 на своем собственном наборе данных.
- Советы для наилучших результатов обучения ☘️: узнай практические советы по оптимизации процесса обучения модели.
- Многопроцессорное обучение на GPU: пойми, как использовать несколько GPU для ускорения обучения.
- PyTorch Hub 🌟 НОВОЕ: научись загружать предварительно обученные модели через PyTorch Hub.
- Экспорт в TFLite, ONNX, CoreML, TensorRT 🚀: пойми, как экспортировать модель в различные форматы.
- Тестовая аугментация (TTA): изучи, как использовать TTA для повышения точности предсказаний модели.
- Ансамблирование моделей: изучи стратегию объединения нескольких моделей для повышения производительности.
- Прунинг и разреженность моделей: разберись в концепциях прунинга и разреженности, а также узнай, как создать более эффективную модель.
- Эволюция гиперпараметров: открой для себя процесс автоматической настройки гиперпараметров для улучшения производительности модели.
- Трансфертное обучение с замороженными слоями: узнай, как реализовать трансфертное обучение путем заморозки слоев в YOLOv5.
- Сводка архитектуры 🌟 Погрузись в структурные детали модели YOLOv5. Прочитай запись в блоге о YOLOv5 v6.0 для получения дополнительной информации.
- Интеграция логирования ClearML 🌟 Узнай, как интегрировать ClearML для эффективного логирования в процессе обучения модели.
- YOLOv5 с Neural Magic: узнай, как использовать Neural Magic's DeepSparse для прунинга и квантования модели YOLOv5.
- Интеграция логирования Comet 🌟 НОВОЕ: изучи, как использовать Comet для улучшенного логирования обучения моделей.
Поддерживаемые окружения#
Ultralytics предоставляет множество готовых к использованию сред, в каждую из которых предустановлены необходимые зависимости, такие как CUDA, CuDNN, Python и PyTorch, для быстрого старта твоих проектов. Ты также можешь управлять своими моделями и наборами данных с помощью Ultralytics Platform.
- Free GPU Notebooks:
- Google Cloud: Краткое руководство по GCP
- Amazon: Краткое руководство по AWS
- Azure: Краткое руководство по AzureML
- Docker: Docker Quickstart Guide
Статус проекта#
Этот значок указывает на то, что все тесты непрерывной интеграции (CI) GitHub Actions для YOLOv5 успешно пройдены. Эти тесты CI тщательно 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, причем тесты проводятся каждые 24 часа и при каждом новом коммите.
Общайся и вноси вклад#
Твое путешествие с YOLOv5 не обязательно должно быть одиночным. Присоединяйся к нашему яркому сообществу на GitHub, общайся с профессионалами на LinkedIn, делись результатами в Twitter и находи образовательные ресурсы на YouTube. Подписывайся на нас в TikTok и BiliBili для получения еще более увлекательного контента.
Хочешь внести свой вклад? Мы приветствуем любые вклады: от улучшений кода и отчетов об ошибках до обновлений документации. Ознакомься с нашими руководствами для контрибьюторов для получения дополнительной информации.
Мы рады видеть, какие инновационные способы использования YOLOv5 ты найдешь. Погружайся, экспериментируй и совершай революцию в своих проектах по компьютерному зрению! 🚀
FAQ#
Ultralytics YOLOv5 славится своими возможностями высокоскоростного и высокоточного обнаружения объектов. Созданный на базе PyTorch, он универсален и удобен в использовании, что делает его подходящим для различных проектов компьютерного зрения. Ключевые особенности включают инференс в реальном времени, поддержку множества приемов обучения, таких как тестовая аугментация (TTA) и ансамблирование моделей, а также совместимость с форматами экспорта, такими как TFLite, ONNX, CoreML и TensorRT. Чтобы глубже понять, как Ultralytics YOLOv5 может улучшить твой проект, изучи наше руководство по экспорту в TFLite, ONNX, CoreML, TensorRT.
Обучение пользовательской модели YOLOv5 на твоем наборе данных включает несколько ключевых шагов. Сначала подготовь набор данных в нужном формате, аннотированный метками. Затем настрой параметры обучения YOLOv5 и запусти процесс обучения с помощью скрипта
train.py. Подробное руководство по этому процессу ты найдешь в нашем руководстве по обучению на пользовательских данных. В нем содержатся пошаговые инструкции для достижения оптимальных результатов в твоем конкретном случае.Ultralytics YOLOv5 предпочитают таким моделям, как R-CNN, благодаря ее превосходной скорости и точности при обнаружении объектов в реальном времени. YOLOv5 обрабатывает все изображение за один проход, что делает ее значительно быстрее по сравнению с основанным на регионах подходом RCNN, который включает в себя несколько проходов. Кроме того, бесшовная интеграция YOLOv5 с различными форматами экспорта и обширная документация делают ее отличным выбором как для новичков, так и для профессионалов. Узнай больше об архитектурных преимуществах в нашей сводке архитектуры.
Оптимизация производительности модели YOLOv5 включает настройку различных гиперпараметров и внедрение таких методов, как аугментация данных и трансфертное обучение. Ultralytics предоставляет исчерпывающие ресурсы по эволюции гиперпараметров и прунингу/разреженности для повышения эффективности модели. Ты можешь найти практические советы в нашем руководстве по советам для наилучших результатов обучения, которое предлагает полезные сведения для достижения оптимальной производительности во время обучения.
Ultralytics YOLOv5 поддерживает различные среды, включая бесплатные блокноты с GPU на Gradient, Google Colab и Kaggle, а также основные облачные платформы, такие как Google Cloud, Amazon AWS и Azure. Образы Docker также доступны для удобной настройки. Подробное руководство по настройке этих сред ищи в нашем разделе поддерживаемые среды, который включает пошаговые инструкции для каждой платформы.