Исчерпывающее руководство по Ultralytics YOLOv5
Добро пожаловать на Ultralytics' YOLOv5🚀 Документация! YOLOv5 пятая итерация революционного фильма "Ты смотришь только один раз". обнаружение объектов Модель разработана для получения высокоскоростных и высокоточных результатов в режиме реального времени.
Построенный на сайте PyTorch, этот мощный глубокое обучение Фреймворк завоевал огромную популярность благодаря своей универсальности, простоте использования и высокой производительности. Наша документация проведет вас через процесс установки, объяснит архитектурные нюансы модели, продемонстрирует различные примеры использования и предоставит серию подробных руководств. Эти ресурсы помогут вам использовать весь потенциал YOLOv5 для ваших компьютерное зрение проекты. Давайте начнем!
Изучайте и учитесь
Здесь собраны исчерпывающие руководства, которые помогут вам разобраться в различных аспектах работы с сайтом YOLOv5.
- Обучение пользовательских данных 🚀 РЕКОМЕНДУЕТСЯ: Узнайте, как обучить модель YOLOv5 на вашем пользовательском наборе данных.
- Советы для достижения наилучших результатов обучения ☘️: Раскройте практические советы по оптимизации процесса обучения моделей.
- Обучение с использованием несколькихGPU : Узнайте, как использовать несколько графических процессоров для ускорения обучения.
- PyTorch Хаб 🌟 НОВИНКА: научитесь загружать предварительно обученные модели через PyTorch Хаб.
- TFLite, ONNX, CoreML, TensorRT Экспорт 🚀: Узнайте, как экспортировать модель в различные форматы.
- Увеличение времени тестирования (TTA): Узнайте, как использовать TTA для повышения точности прогнозирования в вашей модели.
- Объединение моделей: Узнайте о стратегии объединения нескольких моделей для повышения производительности.
- Обрезка/разреженность модели: Разберитесь в концепциях обрезки и разреженности, а также в том, как создать более эффективную модель.
- Эволюция гиперпараметров: Откройте для себя процесс автоматической настройки гиперпараметров для повышения производительности модели.
- Трансферное обучение с помощью замороженных слоев: Узнайте, как реализовать трансферное обучение с помощью замораживания слоев в YOLOv5.
- Краткое описание архитектуры 🌟 Вникните в структурные детали модели YOLOv5 .
- Roboflow для наборов данных: Узнайте, как использовать Roboflow для управления наборами данных, маркировки и активного обучения.
- ClearML Ведение журнала 🌟 Узнайте, как интегрировать ClearML для эффективного ведения журнала во время обучения модели.
- YOLOv5 с Neural Magic Узнайте, как использовать программу Neural Magic'Deepsparse для обрезки и квантования модели YOLOv5 .
- Comet Ведение журнала 🌟 НОВИНКА: Узнайте, как использовать Comet для улучшения ведения журнала обучения модели.
Поддерживаемые среды
Ultralytics предоставляет ряд готовых к использованию окружений, в каждом из которых предустановлены такие необходимые зависимости, как CUDA, CUDNN, Python, и PyTorchдля запуска ваших проектов.
- Бесплатные блокноты GPU:
- Google Облако: 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 пройдены. Эти CI-тесты тщательно проверяют функциональность и производительность YOLOv5 по различным ключевым аспектам: обучение, валидация, вывод, экспорт и контрольные показатели. Они обеспечивают стабильную и надежную работу на macOS, Windows и Ubuntu, причем тесты проводятся каждые 24 часа и при каждом новом коммите.
Подключайтесь и вносите свой вклад
Ваш путь с YOLOv5 не обязательно должен быть одиноким. Присоединяйтесь к нашему активному сообществу на GitHub, общайтесь с профессионалами на LinkedIn, делитесь своими результатами в Twitter и находите образовательные ресурсы на YouTube. Следите за нами на TikTok и BiliBili, чтобы получать еще больше интересного контента.
Хотите внести свой вклад? Мы приветствуем любые формы вклада: от улучшения кода и сообщений об ошибках до обновления документации. Ознакомьтесь с нашим руководством по внесению вклада для получения дополнительной информации.
Нам не терпится увидеть инновационные способы использования YOLOv5. Погружайтесь, экспериментируйте и революционизируйте свои проекты в области компьютерного зрения! 🚀
ЧАСТО ЗАДАВАЕМЫЕ ВОПРОСЫ
Каковы ключевые особенности сайта Ultralytics YOLOv5 ?
Ultralytics YOLOv5 славится своими высокоскоростными и высокоточными возможностями обнаружения объектов. Созданный на базе PyTorchОн универсален и удобен в использовании, что делает его подходящим для различных проектов в области компьютерного зрения. Среди ключевых особенностей - вывод данных в реальном времени, поддержка различных приемов обучения, таких как Test-Time Augmentation (TTA) и Model Ensembling, а также совместимость с такими форматами экспорта, как TFLite, ONNX, CoreML и TensorRT. Чтобы узнать, как Ultralytics YOLOv5 может улучшить ваш проект, изучите наше руководство по экспорту в TFLite, ONNX, CoreML, TensorRT .
Как обучить пользовательскую модель YOLOv5 на моем наборе данных?
Обучение пользовательской модели YOLOv5 на вашем наборе данных включает в себя несколько ключевых этапов. Во-первых, подготовьте набор данных в требуемом формате, аннотированный метками. Затем настройте параметры обучения YOLOv5 и запустите процесс обучения с помощью функции train.py сценарий. Для получения подробного руководства по этому процессу обратитесь к нашему Руководство по обучению пользовательским данным. В нем содержатся пошаговые инструкции, позволяющие добиться оптимальных результатов для конкретного случая использования.
Почему стоит использовать Ultralytics YOLOv5 , а не другие модели обнаружения объектов, например RCNN.
Ultralytics YOLOv5 YOLOv5 обрабатывает все изображение за один проход, что значительно быстрее по сравнению с подходом RCNN на основе регионов, который предполагает несколько проходов. Кроме того, бесшовная интеграция с различными форматами экспорта и обширная документация делают отличным выбором как для новичков, так и для профессионалов. Подробнее об архитектурных преимуществах можно узнать из нашего YOLOv5обзора архитектуры.
Как оптимизировать работу модели YOLOv5 во время обучения?
Оптимизация производительности модели YOLOv5 включает в себя настройку различных гиперпараметров и применение таких методов, как увеличение объема данных и трансферное обучение. Ultralytics предоставляет обширные ресурсы по эволюции гиперпараметров и обрезке/разреженности для повышения эффективности модели. Вы можете найти практические советы в нашем руководстве "Советы для достижения наилучших результатов обучения", в котором содержатся практические рекомендации по достижению оптимальной производительности в процессе обучения.
Какие среды поддерживаются для запуска приложений YOLOv5 ?
Ultralytics YOLOv5 поддерживает различные среды, включая бесплатные ноутбуки GPU на Gradient, Google Colab, Kaggle, а также основные облачные платформы, такие как Google Cloud, Amazon AWS и Azure. Для удобства настройки также доступны образы Docker. Подробное руководство по настройке этих сред можно найти в разделе "Поддерживаемые среды", где приведены пошаговые инструкции для каждой платформы.
