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 получения высокоскоростных и точных результатов в реальном времени. Хотя YOLOv5 остается мощным инструментом, рассмотри возможность изучения её преемников, Ultralytics YOLOv8, YOLO11 и YOLO26, для ознакомления с последними достижениями.
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 особенности модели, продемонстрирует различные варианты использования и предоставит серию подробных руководств. Эти ресурсы помогут тебе раскрыть весь потенциал YOLOv5 для твоих проектов компьютерного зрения. Давай начнем!
Исследуй и учись#
Вот сборник подробных руководств, которые помогут тебе разобраться в различных аспектах YOLOv5.
- Train Custom Data 🚀 РЕКОМЕНДУЕМ: Узнай, как обучить модель YOLOv5 на своем собственном наборе данных.
- Tips for Best Training Results ☘️: Открой для себя практические советы по оптимизации процесса обучения модели.
- Multi-GPU Training: Пойми, как использовать несколько GPU для ускорения обучения.
- PyTorch Hub 🌟 НОВИНКА: Научись загружать предобученные модели через PyTorch Hub.
- TFLite, ONNX, CoreML, TensorRT Export 🚀: Узнай, как экспортировать свою модель в различные форматы.
- Test-Time Augmentation (TTA): Исследуй, как использовать TTA для улучшения точности предсказаний модели.
- Model Ensembling: Изучи стратегию объединения нескольких моделей для повышения производительности.
- Model Pruning/Sparsity: Разберись в концепциях прунинга (прореживания) и разреженности, и узнай, как создать более эффективную модель.
- Hyperparameter Evolution: Узнай о процессе автоматизированной hyperparameter tuning для повышения производительности модели.
- Transfer Learning with Frozen Layers: Научись реализовывать transfer learning путем заморозки слоев в YOLOv5.
- Architecture Summary 🌟 Погрузись в структурные детали модели YOLOv5. Прочитай блог-пост о YOLOv5 v6.0 для получения дополнительной информации.
- ClearML Logging Integration 🌟 Узнай, как интегрировать ClearML для эффективного логирования во время обучения модели.
- YOLOv5 with Neural Magic: Узнай, как использовать Neural Magic's DeepSparse для прунинга и квантования модели YOLOv5.
- Comet Logging Integration 🌟 НОВИНКА: Изучи, как использовать Comet для улучшения логирования обучения модели.
Поддерживаемые окружения#
Ultralytics предоставляет ряд готовых сред, каждая из которых поставляется с предустановленными необходимыми зависимостями, такими как CUDA, CuDNN, Python и PyTorch, чтобы помочь тебе быстро запустить свои проекты. Ты также можешь управлять своими моделями и наборами данных с помощью платформы Ultralytics.
- Бесплатные GPU ноутбуки:
- Google Cloud: GCP Quickstart Guide
- Amazon: AWS Quickstart Guide
- Azure: AzureML Quickstart Guide
- Docker: Docker Quickstart Guide
Статус проекта#
Этот значок означает, что все тесты непрерывной интеграции (CI) YOLOv5 GitHub Actions успешно проходят. Эти CI-тесты строго 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, при этом тесты проводятся каждые 24 часа и при каждом новом коммите.
Общайся и вноси вклад#
Твой путь с YOLOv5 не обязательно должен быть одиночным. Присоединяйся к нашему яркому сообществу на GitHub, общайся с профессионалами в LinkedIn, делись своими результатами в Twitter и находи образовательные ресурсы на YouTube. Подписывайся на нас в TikTok и BiliBili для получения еще большего количества интересного контента.
Хочешь внести свой вклад? Мы приветствуем любой вклад, от улучшений кода и отчетов об ошибках до обновлений документации. Ознакомься с нашим руководством по участию 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#
Каковы ключевые особенности Ultralytics YOLOv5?#
Ultralytics YOLOv5 славится своими возможностями высокоскоростного и высоко-accuracy обнаружения объектов. Созданный на базе PyTorch, он универсален и прост в использовании, что делает его подходящим для различных проектов по компьютерному зрению. Ключевые функции включают вывод (inference) в реальном времени, поддержку множества 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 погрузиться в то, как Ultralytics YOLOv5 может улучшить твой проект, изучи наше руководство по экспорту в TFLite, ONNX, CoreML, TensorRT.
Как я могу обучить собственную модель YOLOv5 на своем наборе данных?#
Обучение пользовательской модели YOLOv5 на твоем наборе данных включает в себя несколько ключевых этапов. Во-первых, подготовь набор данных в требуемом формате, размеченный метками. Затем настрой параметры обучения YOLOv5 и запусти процесс обучения с помощью скрипта train.py. Для получения подробного руководства по этому процессу обратись к нашему руководству по обучению на собственных данных. Оно содержит пошаговые инструкции, которые помогут добиться оптимальных результатов для твоего конкретного случая использования.
Почему мне стоит использовать Ultralytics YOLOv5, а не другие модели обнаружения объектов, такие как RCNN?#
Ultralytics YOLOv5 предпочтительнее таких моделей, как R-CNN, благодаря своей превосходной скорости и точности при обнаружении объектов в реальном времени. YOLOv5 обрабатывает все изображение целиком за один проход, что делает его значительно быстрее по сравнению с регион-ориентированным подходом RCNN, требующим нескольких проходов. Кроме того, бесшовная интеграция YOLOv5 с различными форматами экспорта и обширная документация делают его отличным выбором как для новичков, так и для профессионалов. Узнай 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 использование таких методов, как data augmentation и transfer learning. Ultralytics предоставляет исчерпывающие ресурсы по hyperparameter evolution и pruning/sparsity для повышения эффективности модели. Ты можешь найти практические советы в нашем руководстве по лучшим результатам обучения, которое предлагает полезные идеи для достижения оптимальной производительности в процессе обучения.
Какие среды поддерживаются для запуска приложений YOLOv5?#
Ultralytics YOLOv5 поддерживает множество сред, 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. Для получения подробного руководства по настройке этих сред ознакомься с нашим разделом Поддерживаемые среды, который включает пошаговые инструкции для каждой платформы.