Исчерпывающее руководство по Ultralytics YOLOv5

Добро пожаловать на Ultralytics' YOLOv5🚀 Documentation! YOLOv5 пятая итерация революционной модели обнаружения объектов "You Only Look Once", разработанная для получения высокоскоростных и высокоточных результатов в режиме реального времени.

Построенный 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 нюансы модели, покажет различные примеры использования и предоставит ряд подробных руководств. Эти ресурсы помогут тебе использовать весь потенциал YOLOv5 для своих проектов в области компьютерного зрения. Давай приступим!

Исследуй и учись

Перед тобой подборка исчерпывающих руководств, которые проведут тебя по различным аспектам YOLOv5.

• Обучение пользовательских данных 🚀 РЕКОМЕНДУЕТСЯ: Узнай, как обучить модель YOLOv5 на твоем пользовательском наборе данных.
• Советы для достижения наилучших результатов обучения ☘️: Раскрой практические советы, которые помогут оптимизировать процесс тренировки моделей.
• Обучение с использованием несколькихGPU : Пойми, как задействовать несколько GPU, чтобы ускорить обучение.
• PyTorch Hub 🌟 НОВИНКА: научись загружать предварительно обученные модели через PyTorch Hub.
• TFLite, ONNX, CoreML, TensorRT Экспорт 🚀: Пойми, как экспортировать свою модель в разные форматы.
• Test-Time Augmentation (TTA): Узнай, как использовать TTA для повышения точности предсказаний твоей модели.
• Объединение моделей: Изучи стратегию объединения нескольких моделей для повышения производительности.
• Обрезка/разбиение модели: Разберись в концепциях обрезки и разреженности, а также в том, как создать более эффективную модель.
• Эволюция гиперпараметров: Открой для себя процесс автоматической настройки гиперпараметров для повышения производительности модели.
• Трансферное обучение с помощью замороженных слоев: Узнай, как реализовать трансферное обучение с помощью замораживания слоев в YOLOv5.
• Краткое описание архитектуры 🌟 Вникни в структурные детали модели YOLOv5 .
• Roboflow для наборов данных: Пойми, как использовать Roboflow для управления наборами данных, маркировки и активного обучения.
• ClearML Ведение журнала 🌟 Узнай, как интегрировать ClearML для эффективного ведения журнала во время обучения модели.
• YOLOv5 с Neural Magic Узнай, как использовать Neural Magic'Deepsparse для обрезки и квантования твоей YOLOv5 модели.
• Comet Ведение логов 🌟 НОВИНКА: Узнай, как использовать Comet для улучшения ведения логов при обучении модели.

Поддерживаемые среды

Ultralytics В нем есть ряд готовых к использованию окружений, в каждом из которых предустановлены такие необходимые зависимости, как CUDA, CUDNN, Python, и PyTorch, чтобы дать старт твоим проектам.

• 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 бенчмарки. 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

Твое путешествие с YOLOv5 не обязательно должно быть одиноким. Присоединяйся к нашему активному сообществу на GitHub, общайся с профессионалами на LinkedIn, делись своими результатами в Twitter и находи образовательные ресурсы на YouTube. Следи за нами на TikTok и BiliBili, чтобы получать еще больше увлекательного контента.

Хочешь внести свой вклад? Мы приветствуем вклад в любом виде: от улучшения кода и сообщений об ошибках до обновления документации. Ознакомься с нашим руководством по внесению вклада, чтобы получить больше информации.

Нам не терпится увидеть инновационные способы, которыми ты будешь использовать YOLOv5. Погружайся в работу, экспериментируй и совершай революцию в своих проектах по компьютерному зрению! 🚀

ВОПРОСЫ И ОТВЕТЫ

Каковы ключевые особенности Ultralytics YOLOv5 ?

Ultralytics YOLOv5 славится своими скоростными и высокоточными возможностями обнаружения объектов. Построенный на базе PyTorch, он 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 множества 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 глубже понять, как Ultralytics YOLOv5 может улучшить твой проект, изучи наше руководство по экспорту в TFLite, ONNX, CoreML, TensorRT .

Как я могу обучить пользовательскую модель YOLOv5 на своем наборе данных?

Обучение пользовательской модели YOLOv5 на твоем наборе данных включает в себя несколько ключевых шагов. Во-первых, подготовь свой набор данных в нужном формате, аннотированный метками. Затем настройте параметры обучения YOLOv5 и запустите процесс обучения с помощью команды train.py скрипт. Чтобы получить подробное руководство по этому процессу, обратись к нашему Руководство по обучению пользовательским данным. В нем содержатся пошаговые инструкции, позволяющие добиться оптимальных результатов для твоего конкретного случая использования.

Почему мне стоит использовать Ultralytics YOLOv5 , а не другие модели обнаружения объектов, например RCNN.

Ultralytics YOLOv5 YOLOv5 обрабатывает все изображение за один проход, что значительно быстрее, чем подход RCNN, основанный на регионах, который предполагает несколько проходов. Кроме того, беспроблемная интеграция с различными экспортными форматами и обширная документация делают его отличным выбором как для новичков, так и для профессионалов. Узнай больше об архитектурных преимуществах в нашем обзоре YOLOv5архитектуры.

Как оптимизировать работу модели YOLOv5 во время обучения?

Оптимизация производительности модели YOLOv5 включает в себя настройку различных гиперпараметров и применение таких техник, как увеличение данных и трансферное обучение. Ultralytics предоставляет исчерпывающие ресурсы по эволюции гиперпараметров и обрезке/разреженности для повышения эффективности модели. Практические советы ты можешь найти в нашем руководстве "Советы для достижения наилучших результатов обучения", в котором предлагаются действенные идеи для достижения оптимальной производительности во время обучения.

Какие среды поддерживаются для запуска приложений YOLOv5 ?

Ultralytics YOLOv5 Поддерживает множество сред, включая бесплатные GPU -ноутбуки 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 ты найдешь в нашем разделе " Поддерживаемые среды ", где собраны пошаговые инструкции для каждой платформы.

Комментарии