Исчерпывающее руководство по Ultralytics YOLOv5

Q: What are the key features of Ultralytics YOLOv5?

Ultralytics YOLOv5 славится своей высокой скоростью и точностью 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 заключений в реальном времени, поддержка различных 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 узнать, как Ultralytics YOLOv5 может улучшить ваш проект, изучите наше руководство по экспорту в TFLite, ONNX, CoreML, TensorRT .

Добро пожаловать в Ultralytics YOLOv5🚀 Документация! Ultralytics YOLOv5, пятая итерация революционной модели обнаружения объектов "You Only Look Once", разработана для получения высокоскоростных и высокоточных результатов в режиме реального времени. Хотя YOLOv5 остается мощным инструментом, обратите внимание на его преемника, Ultralytics YOLOv8для получения новейших достижений.

Построен на PyTorchэтот мощный фреймворк глубокого обучения завоевал огромную популярность благодаря своей универсальности, простоте использования и высокой производительности. Наша документация проведет вас через процесс установки, объяснит архитектурные нюансы модели, продемонстрирует различные примеры использования и предоставит серию подробных руководств. Эти ресурсы помогут вам использовать весь потенциал YOLOv5 в ваших проектах по компьютерному зрению. Давайте начнем!

Изучайте и учитесь

Здесь собраны исчерпывающие руководства, которые помогут вам разобраться в различных аспектах работы с сайтом YOLOv5.

Обучение пользовательских данных 🚀 РЕКОМЕНДУЕТСЯ: Узнайте, как обучить модель YOLOv5 на вашем пользовательском наборе данных.
Советы для достижения наилучших результатов обучения ☘️: Раскройте практические советы по оптимизации процесса обучения моделей.
Обучение с использованием несколькихGPU : Узнайте, как использовать несколько графических процессоров для ускорения обучения.
PyTorch Хаб 🌟 НОВИНКА: научитесь загружать предварительно обученные модели через PyTorch Хаб.
TFLite, ONNX, CoreML, TensorRT Экспорт 🚀: Узнайте, как экспортировать модель в различные форматы.
Увеличение времени тестирования (TTA): Узнайте, как использовать TTA для повышения точности прогнозирования в вашей модели.
Объединение моделей: Узнайте о стратегии объединения нескольких моделей для повышения производительности.
Обрезка/разреженность модели: Разберитесь в концепциях обрезки и разреженности, а также в том, как создать более эффективную модель.
Эволюция гиперпараметров: Откройте для себя процесс автоматической настройки гиперпараметров для повышения производительности модели.
Трансферное обучение с помощью замороженных слоев: Узнайте, как реализовать трансферное обучение с помощью замораживания слоев в YOLOv5.
Краткое описание архитектуры 🌟 Вникните в структурные детали модели YOLOv5 . Прочитайте статью в блогеYOLOv5 v6.0, чтобы узнать больше.
Интеграция с журналомClearML 🌟 Узнайте, как интегрировать ClearML для эффективного ведения журнала во время обучения модели.
YOLOv5 с Neural Magic Узнайте, как использовать DeepSparse отNeural Magic для обрезки и квантования модели YOLOv5 .
Интеграция сComet Logging 🌟 НОВИНКА: Узнайте, как использовать Comet для улучшения протоколирования обучения модели.

Поддерживаемые среды

Ultralytics предоставляет ряд готовых к использованию сред, в каждой из которых предустановлены такие необходимые компоненты, как CUDA, CuDNN, Pythonи PyTorchдля запуска ваших проектов. Вы также можете управлять своими моделями и наборами данных с помощью Ultralytics HUB.

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 контрольные показатели. 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

Ваш путь с YOLOv5 не обязательно должен быть одиноким. Присоединяйтесь к нашему активному сообществу на GitHub, общайтесь с профессионалами на LinkedIn, делитесь своими результатами в Twitter и находите образовательные ресурсы на YouTube. Следите за нами на TikTok и BiliBili, чтобы получать еще больше интересного контента.

Хотите внести свой вклад? Мы приветствуем любые формы вклада, от улучшения кода и сообщений об ошибках до обновления документации. Ознакомьтесь с нашим руководством по внесению вклада для получения дополнительной информации.

Нам не терпится увидеть инновационные способы использования YOLOv5. Погружайтесь, экспериментируйте и революционизируйте свои проекты в области компьютерного зрения! 🚀

ЧАСТО ЗАДАВАЕМЫЕ ВОПРОСЫ

Каковы ключевые особенности сайта Ultralytics YOLOv5 ?

Ultralytics YOLOv5 славится своими высокоскоростными и высокоточными возможностями обнаружения объектов. Созданный на базе PyTorchОн 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 различных 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 узнать, как Ultralytics YOLOv5 может улучшить ваш проект, изучите наше руководство по экспорту в TFLite, ONNX, CoreML, TensorRT .

Как обучить пользовательскую модель YOLOv5 на моем наборе данных?

Обучение пользовательской модели YOLOv5 на вашем наборе данных включает в себя несколько ключевых этапов. Во-первых, подготовьте набор данных в требуемом формате, аннотированный метками. Затем настройте параметры обучения YOLOv5 и запустите процесс обучения с помощью функции train.py сценарий. Для получения подробного руководства по этому процессу обратитесь к нашему Руководство по обучению пользовательским данным. В нем содержатся пошаговые инструкции, позволяющие добиться оптимальных результатов для конкретного случая использования.

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

Ultralytics YOLOv5 предпочтительнее таких моделей, как R-CNN, благодаря высокой скорости и точности обнаружения объектов в режиме реального времени. YOLOv5 обрабатывает все изображение за один проход, что значительно быстрее, чем подход RCNN, основанный на регионах, который предполагает несколько проходов. Кроме того, бесшовная интеграция YOLOv5 с различными форматами экспорта и обширная документация делают его отличным выбором как для новичков, так и для профессионалов. Узнайте больше об архитектурных преимуществах в нашем обзоре архитектуры.

Как оптимизировать работу модели YOLOv5 во время обучения?

Оптимизация производительности модели YOLOv5 включает в себя настройку различных гиперпараметров и применение таких методов, как увеличение объема данных и трансферное обучение. Ultralytics предоставляет обширные ресурсы по эволюции гиперпараметров и обрезке/разреженности для повышения эффективности модели. Вы можете ознакомиться с практическими советами в нашем руководстве "Советы для достижения наилучших результатов обучения", которое предлагает практические рекомендации по достижению оптимальной производительности в процессе обучения.

Какие среды поддерживаются для запуска приложений YOLOv5 ?

Ultralytics YOLOv5 поддерживает различные среды, включая бесплатные GPU на Gradient, Google Colab и 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 можно найти в разделе "Поддерживаемые среды", где приведены пошаговые инструкции для каждой платформы.