<a href="https://github.com/ultralytics/ultralytics/actions/workflows/ci.yml"><img src="https://github.com/ultralytics/ultralytics/actions/workflows/ci.yml/badge.svg" alt="Ultralytics CI"></a>
<a href="https://clickpy.clickhouse.com/dashboard/ultralytics"><img src="https://static.pepy.tech/badge/ultralytics" alt="Ultralytics Downloads"></a>
<a href="https://discord.com/invite/ultralytics"><img alt="Ultralytics Discord" src="https://img.shields.io/discord/1089800235347353640?logo=discord&logoColor=white&label=Discord&color=blue"></a>
<a href="https://community.ultralytics.com/"><img alt="Ultralytics Forums" src="https://img.shields.io/discourse/users?server=https%3A%2F%2Fcommunity.ultralytics.com&logo=discourse&label=Forums&color=blue"></a>
<a href="https://www.reddit.com/r/ultralytics/"><img alt="Ultralytics Reddit" src="https://img.shields.io/reddit/subreddit-subscribers/ultralytics?style=flat&logo=reddit&logoColor=white&label=Reddit&color=blue"></a>
<br>
<a href="https://console.paperspace.com/github/ultralytics/ultralytics"><img src="https://assets.paperspace.io/img/gradient-badge.svg" alt="Run Ultralytics on Gradient"></a>
<a href="https://colab.research.google.com/github/ultralytics/ultralytics/blob/main/examples/tutorial.ipynb"><img src="https://colab.research.google.com/assets/colab-badge.svg" alt="Open Ultralytics In Colab"></a>
<a href="https://www.kaggle.com/models/ultralytics/yolo26"><img src="https://kaggle.com/static/images/open-in-kaggle.svg" alt="Open Ultralytics In Kaggle"></a>
<a href="https://mybinder.org/v2/gh/ultralytics/ultralytics/HEAD?labpath=examples%2Ftutorial.ipynb"><img src="https://mybinder.org/badge_logo.svg" alt="Open Ultralytics In Binder"></a>

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.

• Обучение на своих данных 🚀 РЕКОМЕНДУЕМ: Узнай, как обучить модель YOLOv5 на своем собственном наборе данных.
• Советы для достижения наилучших результатов обучения ☘️: Открой для себя практические советы по оптимизации процесса обучения твоей модели.
• Обучение с несколькими GPU: Узнай, как использовать возможности нескольких GPU для ускорения обучения.
• PyTorch Hub 🌟 НОВОЕ: Научись загружать предобученные модели через PyTorch Hub.
• Экспорт в TFLite, ONNX, CoreML, TensorRT 🚀: Пойми, как экспортировать свою модель в различные форматы.
• Аугментация во время тестирования (TTA): Узнай, как использовать TTA для повышения точности предсказаний твоей модели.
• Ансамблирование моделей: Изучи стратегию объединения нескольких моделей для повышения производительности.
• Прунинг/разреженность моделей: Разберись в концепциях прунинга и разреженности, а также узнай, как создать более эффективную модель.
• Эволюция гиперпараметров: Открой для себя процесс автоматизированной настройки гиперпараметров для улучшения производительности модели.
• Трансферное обучение с замороженными слоями: Узнай, как реализовать трансферное обучение, замораживая слои в YOLOv5.
• Краткий обзор архитектуры 🌟 Погрузись в структурные детали модели YOLOv5. Прочитай блог-пост о YOLOv5 v6.0 для получения дополнительной информации.
• Интеграция логирования ClearML 🌟 Узнай, как интегрировать ClearML для эффективного логирования во время обучения модели.
• YOLOv5 с Neural Magic: Узнай, как использовать DeepSparse от Neural Magic для прунинга и квантования твоей модели YOLOv5.
• Интеграция логирования Comet 🌟 НОВОЕ: Исследуй, как использовать Comet для улучшенного 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: Краткое руководство GCP
• Amazon: Краткое руководство AWS
• Azure: Краткое руководство AzureML
• Docker: Краткое руководство Docker

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 высокоточного обнаружения объектов. Построенная на PyTorch, она универсальна и удобна в использовании, что делает ее подходящей для различных проектов компьютерного зрения. Ключевые особенности включают инференс в реальном времени, поддержку различных приемов обучения, таких как аугментация во время тестирования (TTA) и ансамблирование моделей, а также совместимость с форматами экспорта, такими как TFLite, ONNX, CoreML и TensorRT. Чтобы подробнее узнать о том, 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 собственной модели YOLOv5 на твоем наборе данных включает в себя несколько ключевых шагов. Сначала подготовь свой набор данных в требуемом формате с аннотациями. 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, гарантирующие оптимальные результаты для твоего конкретного случая.

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 ее значительно быстрее по сравнению с регион-ориентированным подходом RCNN, который требует многократных 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 нашем кратком 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 внедрение таких методов, как аугментация данных и трансферное обучение. Ultralytics предоставляет комплексные ресурсы по эволюции гиперпараметров и прунингу/разреженности для повышения эффективности модели. Ты можешь найти практические советы в нашем руководстве «Советы для достижения наилучших результатов обучения», которое предлагает практические идеи для достижения оптимальной производительности во время обучения.

Link to this sectionКакие среды поддерживаются для запуска приложений YOLOv5?#

Ultralytics YOLOv5 поддерживает различные среды, 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. Подробное руководство по настройке этих сред смотри в нашем разделе Поддерживаемые среды, который включает пошаговые инструкции для каждой платформы.