Подробное руководство по Ultralytics YOLOv5#
Добро пожаловать в документацию по Ultralytics YOLOv5 🚀! Ultralytics YOLOv5, пятая версия революционной модели для обнаружения объектов «You Only Look Once», создана для быстрого и точного получения результатов в реальном времени. YOLOv5 остаётся мощным инструментом, но для знакомства с последними достижениями попробуй её преемников: Ultralytics YOLOv8, YOLO11 и YOLO26.
Этот мощный фреймворк глубокого обучения, созданный на базе PyTorch, стал чрезвычайно популярным благодаря универсальности, простоте использования и высокой производительности. В документации описан процесс установки, разобраны особенности архитектуры модели, рассмотрены различные варианты применения и приведён ряд подробных руководств. Эти ресурсы помогут тебе полностью раскрыть потенциал YOLOv5 в проектах по компьютерному зрению. Начнём!
Изучай и узнавай#
Здесь собраны подробные руководства, которые помогут разобраться в разных аспектах YOLOv5.
- Обучение на пользовательских данных 🚀 РЕКОМЕНДУЕМ: узнай, как обучить модель YOLOv5 на своём наборе данных.
- Советы для достижения лучших результатов при обучении ☘️: узнай, как на практике оптимизировать процесс обучения модели.
- Обучение на нескольких GPU: узнай, как использовать несколько GPU, чтобы ускорить обучение.
- PyTorch Hub: узнай, как загружать предварительно обученные модели через PyTorch Hub.
- Экспорт в TFLite, ONNX, CoreML и TensorRT 🚀: узнай, как экспортировать модель в разные форматы.
- Аугментация во время тестирования (TTA): узнай, как использовать TTA для повышения точности предсказаний модели.
- Ансамбли моделей: узнай, как объединять несколько моделей для повышения производительности.
- Прореживание и разреженность модели: разберись в понятиях прореживания и разреженности и узнай, как создать более эффективную модель.
- Эволюция гиперпараметров: узнай, как автоматическая настройка гиперпараметров помогает повысить производительность модели.
- Перенос обучения с замороженными слоями: узнай, как реализовать перенос обучения, заморозив слои YOLOv5.
- Обзор архитектуры 🌟 Изучи структурные особенности модели YOLOv5. Чтобы узнать больше, прочитай публикацию о YOLOv5 v6.0 в блоге.
- Интеграция логирования с ClearML 🌟 Узнай, как интегрировать ClearML для эффективного логирования во время обучения модели.
- YOLOv5 с Neural Magic: узнай, как использовать DeepSparse от Neural Magic, чтобы прореживать и квантовать модель YOLOv5.
- Интеграция логирования с Comet: узнай, как использовать Comet для улучшенного логирования обучения модели.
Поддерживаемые среды#
Ultralytics предлагает готовые среды с предустановленными основными зависимостями, такими как CUDA, CuDNN, Python и PyTorch, чтобы ты мог сразу приступить к работе над проектами. Управлять моделями и наборами данных также можно с помощью платформы Ultralytics.
- Бесплатные ноутбуки 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 означает, что все тесты YOLOv5 GitHub Actions для непрерывной интеграции (CI) проходят успешно. Эти тесты CI тщательно проверяют функциональность и производительность YOLOv5 по ряду ключевых направлений: обучение, валидация, инференс, экспорт и сравнительное тестирование. Они обеспечивают стабильную и надёжную работу в macOS, Windows и Ubuntu. Тестирование проводится каждые 24 часа и после каждого нового коммита.
Присоединяйся и вноси свой вклад#
Твой путь с YOLOv5 не обязательно должен быть одиноким. Присоединяйся к нашему активному сообществу на GitHub, общайся с профессионалами на LinkedIn, делись результатами в Twitter и находи обучающие материалы на YouTube. Подписывайся на нас в TikTok и BiliBili, чтобы не пропускать интересные материалы.
Хочешь внести свой вклад? Мы приветствуем любую помощь: от улучшения кода и сообщений об ошибках до обновления документации. Подробнее смотри в правилах участия.
Нам не терпится увидеть, как именно ты применишь YOLOv5. Начинай, экспериментируй и меняй мир компьютерного зрения! 🚀
Часто задаваемые вопросы#
Ultralytics YOLOv5 известна высокой скоростью и точностью обнаружения объектов. Созданная на базе PyTorch, она универсальна и проста в использовании, поэтому подходит для различных проектов в области компьютерного зрения. К её ключевым возможностям относятся инференс в реальном времени, поддержка таких методов инференса, как аугментация во время тестирования (TTA) и ансамбли моделей, а также совместимость с форматами экспорта TFLite, ONNX, CoreML и TensorRT. Подробнее о том, как Ultralytics YOLOv5 поможет твоему проекту, читай в руководстве по экспорту в TFLite, ONNX, CoreML и TensorRT.
Обучение пользовательской модели YOLOv5 на своём наборе данных состоит из нескольких ключевых этапов. Сначала подготовь набор данных в требуемом формате и добавь к нему аннотации. Затем настрой параметры обучения YOLOv5 и запусти процесс с помощью скрипта
train.py. Подробное описание процесса смотри в нашем руководстве по обучению на пользовательских данных. В нём приведены пошаговые инструкции, которые помогут получить оптимальные результаты для твоего сценария использования.Ultralytics YOLOv5 предпочитают таким моделям, как R-CNN, благодаря более высокой скорости и точности обнаружения объектов в реальном времени. YOLOv5 обрабатывает всё изображение за один проход и значительно быстрее RCNN, использующей подход на основе областей и выполняющей несколько проходов. Кроме того, YOLOv5 легко интегрируется с разными форматами экспорта и сопровождается подробной документацией, поэтому это отличный выбор как для начинающих, так и для профессионалов. Подробнее о преимуществах архитектуры читай в нашем обзоре архитектуры.
Чтобы оптимизировать производительность модели YOLOv5, нужно настроить гиперпараметры и применять такие методы, как аугментация данных и перенос обучения. Ultralytics предлагает подробные материалы об эволюции гиперпараметров и прореживании/разреженности, которые помогут повысить эффективность модели. Практические советы смотри в нашем руководстве с рекомендациями для достижения лучших результатов при обучении: в нём собраны конкретные рекомендации, которые помогут добиться оптимальной производительности во время обучения.
Ultralytics YOLOv5 поддерживает различные среды, включая бесплатные ноутбуки с GPU на Gradient, Google Colab и Kaggle, а также крупные облачные платформы, такие как Google Cloud, Amazon AWS и Azure. Также доступны Docker-образы, упрощающие настройку. Подробные инструкции по настройке этих сред для каждой платформы смотри в разделе «Поддерживаемые среды».