Ultralytics YOLOv5 için Kapsamlı Kılavuz#
Ultralytics YOLOv5🚀 belgelerine hoş geldin! Devrim niteliğindeki "You Only Look Once" nesne algılama modelinin beşinci sürümü olan Ultralytics YOLOv5, gerçek zamanlı olarak yüksek hızlı ve yüksek doğruluklu sonuçlar sunmak üzere tasarlanmıştır. YOLOv5 güçlü bir araç olmaya devam etse de en yeni gelişmeler için halefleri olan Ultralytics YOLOv8, YOLO11 ve YOLO26 modellerini incelemeyi düşün.
PyTorch üzerine kurulu bu güçlü derin öğrenme çatısı; çok yönlülüğü, kullanım kolaylığı ve yüksek performansıyla büyük bir popülerlik kazanmıştır. Belgelerimiz kurulum sürecinde sana rehberlik eder, modelin mimari ayrıntılarını açıklar, çeşitli kullanım alanlarını gösterir ve bir dizi ayrıntılı eğitim sunar. Bu kaynaklar, bilgisayarlı görü projelerinde YOLOv5'in tüm potansiyelinden yararlanmana yardımcı olur. Hadi başlayalım!
Keşfet ve Öğren#
Aşağıda, YOLOv5'in farklı yönlerinde sana rehberlik edecek kapsamlı eğitimlerin bir derlemesini bulabilirsin.
- Özel Verilerle Eğitim 🚀 ÖNERİLİR: YOLOv5 modelini kendi veri kümen üzerinde nasıl eğiteceğini öğren.
- En İyi Eğitim Sonuçları İçin İpuçları ☘️: Model eğitim sürecini optimize etmek için pratik ipuçlarını keşfet.
- Çoklu GPU Eğitimi: Eğitimi hızlandırmak için birden fazla GPU'dan nasıl yararlanacağını öğren.
- PyTorch Hub: PyTorch Hub aracılığıyla önceden eğitilmiş modelleri yüklemeyi öğren.
- TFLite, ONNX, CoreML, TensorRT Dışa Aktarımı 🚀: Modelini farklı biçimlere nasıl aktaracağını öğren.
- Test Zamanı Artırımı (TTA): Modelinin tahmin doğruluğunu geliştirmek için TTA'yı nasıl kullanacağını keşfet.
- Model Topluluklandırma: Daha iyi performans için birden fazla modeli birleştirme stratejisini öğren.
- Model Budama/Seyreklik: Budama ve seyreklik kavramlarını ve daha verimli bir model oluşturmayı öğren.
- Hiperparametre Evrimi: Daha iyi model performansı için otomatik hiperparametre ayarlama sürecini keşfet.
- Dondurulmuş Katmanlarla Transfer Öğrenimi: YOLOv5'te katmanları dondurarak transfer öğrenimini nasıl uygulayacağını öğren.
- Mimari Özeti 🌟 YOLOv5 modelinin yapısal ayrıntılarını incele. Daha fazla bilgi için YOLOv5 v6.0 blog gönderisini oku.
- ClearML Günlük Entegrasyonu 🌟 Model eğitimi sırasında verimli günlük kaydı için ClearML entegrasyonunu nasıl yapacağını öğren.
- Neural Magic ile YOLOv5: YOLOv5 modelini budamak ve nicelemek için Neural Magic'in DeepSparse'ını nasıl kullanacağını keşfet.
- Comet Logging Integration: Geliştirilmiş model eğitimi günlüğü kaydı için Comet kullanımını keşfet.
Desteklenen Ortamlar#
Ultralytics, projelerine başlaman için CUDA, CuDNN, Python ve PyTorch gibi temel bağımlılıkların önceden yüklendiği, kullanıma hazır çeşitli ortamlar sunar. Modellerini ve veri kümelerini Ultralytics Platformu ile de yönetebilirsin.
- Ücretsiz GPU Not Defterleri:
- Google Cloud: GCP Hızlı Başlangıç Kılavuzu
- Amazon: AWS Hızlı Başlangıç Kılavuzu
- Azure: AzureML Hızlı Başlangıç Kılavuzu
- Docker: Docker Hızlı Başlangıç Kılavuzu
Proje Durumu#
Bu rozet, tüm YOLOv5 GitHub Actions Sürekli Entegrasyon (CI) testlerinin başarıyla geçtiğini gösterir. Bu CI testleri, YOLOv5'in çeşitli önemli alanlardaki işlevselliğini ve performansını titizlikle kontrol eder: eğitim, doğrulama, çıkarım, dışa aktarma ve karşılaştırmalı testler. Testler her 24 saatte bir ve her yeni işleme sonrasında yürütülerek macOS, Windows ve Ubuntu üzerinde tutarlı ve güvenilir çalışmayı güvence altına alır.
Bağlan ve Katkıda Bulun#
YOLOv5 ile yolculuğunu tek başına sürdürmek zorunda değilsin. GitHub üzerindeki aktif topluluğumuza katıl, LinkedIn üzerinden profesyonellerle bağlantı kur, sonuçlarını Twitter üzerinde paylaş ve eğitim kaynaklarını YouTube üzerinde bul. Daha ilgi çekici içerikler için bizi TikTok ve BiliBili üzerinde takip et.
Katkıda bulunmakla ilgileniyor musun? Kod iyileştirmelerinden hata bildirimlerine ve belge güncellemelerine kadar her tür katkıyı memnuniyetle karşılıyoruz. Daha fazla bilgi için katkıda bulunma yönergelerimize göz at.
YOLOv5'i kullanacağın yenilikçi yolları görmek için sabırsızlanıyoruz. Bilgisayarlı görü projelerine dal, denemeler yap ve devrim niteliğinde yenilikler getir! 🚀
SSS#
Ultralytics YOLOv5, yüksek hızlı ve yüksek doğruluklu nesne algılama yetenekleriyle tanınır. PyTorch üzerine kurulu olan model çok yönlü ve kullanıcı dostudur; bu da onu çeşitli bilgisayarlı görü projeleri için uygun kılar. Temel özellikleri arasında gerçek zamanlı çıkarım, Test Zamanı Artırımı (TTA) ve Model Topluluklandırma gibi birden fazla eğitim tekniği desteği ve TFLite, ONNX, CoreML ve TensorRT gibi dışa aktarma biçimleriyle uyumluluk bulunur. Ultralytics YOLOv5'in projenizi nasıl ileri taşıyabileceğini daha ayrıntılı incelemek için TFLite, ONNX, CoreML, TensorRT Dışa Aktarma kılavuzumuza göz at.
Veri kümen üzerinde özel bir YOLOv5 modeli eğitmek birkaç temel adım içerir. Öncelikle veri kümeni gerekli biçimde, etiketlerle açıklanmış olarak hazırla. Ardından YOLOv5 eğitim parametrelerini yapılandır ve
train.pybetiğini kullanarak eğitim sürecini başlat. Bu süreçle ilgili ayrıntılı bir eğitim için Özel Verilerle Eğitim kılavuzumuza başvur. Kılavuz, belirli kullanım alanın için en iyi sonuçları elde etmeni sağlayacak adım adım talimatlar sunar.Ultralytics YOLOv5, gerçek zamanlı nesne algılamadaki üstün hızı ve doğruluğu nedeniyle R-CNN gibi modellere kıyasla tercih edilir. YOLOv5 görüntünün tamamını tek seferde işler; bu da onu birden fazla geçiş gerektiren RCNN'in bölge tabanlı yaklaşımına kıyasla önemli ölçüde daha hızlı kılar. Ayrıca YOLOv5'in çeşitli dışa aktarma biçimleriyle sorunsuz entegrasyonu ve kapsamlı belgeleri, onu hem yeni başlayanlar hem de profesyoneller için mükemmel bir seçenek haline getirir. Mimari avantajlar hakkında daha fazla bilgi için Mimari Özeti sayfamıza göz at.
YOLOv5 model performansını optimize etmek, çeşitli hiperparametreleri ayarlamayı ve veri artırma ile transfer öğrenimi gibi teknikleri kullanmayı içerir. Ultralytics, model verimliliğini artırmak için hiperparametre evrimi ve budama/seyreklik hakkında kapsamlı kaynaklar sunar. Eğitim sırasında en iyi performansı elde etmene yardımcı olacak uygulanabilir bilgiler sunan En İyi Eğitim Sonuçları İçin İpuçları kılavuzumuzda pratik ipuçları bulabilirsin.
Ultralytics YOLOv5; Gradient, Google Colab ve Kaggle üzerindeki ücretsiz GPU not defterleri ile Google Cloud, Amazon AWS ve Azure gibi başlıca bulut platformları da dahil olmak üzere çeşitli ortamları destekler. Kolay kurulum için Docker görüntüleri de kullanılabilir. Bu ortamların kurulumu hakkında ayrıntılı bilgi için her platforma yönelik adım adım talimatlar içeren Desteklenen Ortamlar bölümümüze göz at.