Link to this sectionПолное 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.

Built on PyTorch, this powerful deep learning framework has garnered immense popularity for its versatility, ease of use, and high performance. Our documentation guides you through the installation process, explains the architectural nuances of the model, showcases various use cases, and provides a series of detailed tutorials. These resources will help you harness the full potential of YOLOv5 for your computer vision projects. Let's get started!

Link to this sectionИсследуй 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.

Link to this sectionПоддерживаемые 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

Link to this sectionСтатус 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.

Link to this sectionОбщайся 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! 🚀

Link to this sectionFAQ#

Link to this sectionКаковы 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.

Link to this sectionКак 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.

Link to this sectionПочему 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.

Link to this sectionКак 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.

Link to this sectionКакие 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.