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 hızda ve yüksek doğrulukta sonuçlar sunmak üzere tasarlanmıştır. YOLOv5 güçlü bir araç olmayı sürdürse de en son gelişmeler için sonraki sürümleri olan Ultralytics YOLOv8, YOLO11 ve YOLO26 modellerini incelemeyi düşünebilirsin.
PyTorch üzerine kurulu bu güçlü derin öğrenme çerçevesi; çok yönlülüğü, kullanım kolaylığı ve yüksek performansıyla büyük popülerlik kazanmıştır. Belgelerimiz kurulum sürecinde sana yol gösterir, modelin mimari ayrıntılarını açıklar, çeşitli kullanım örneklerini gösterir ve bir dizi ayrıntılı eğitim sunar. Bu kaynaklar, bilgisayarlı görü projelerinde YOLOv5'in tüm potansiyelinden yararlanmana yardımcı olur. Haydi başlayalım!
Keşfet ve Öğren#
Aşağıda, YOLOv5'in farklı yönlerini ele almanda sana yol gösterecek kapsamlı eğitimleri derledik.
- Özel Verilerle Eğitim 🚀 ÖNERİLEN: YOLOv5 modelini kendi veri kümenle nasıl eğiteceğini öğren.
- En İyi Eğitim Sonuçları İçin İpuçları ☘️: Model eğitim sürecini optimize etmek için pratik ipuçlarını keşfet.
- Çoklu GPU ile Eğitim: Eğitimi hızlandırmak için birden fazla GPU'dan nasıl yararlanacağını öğren.
- PyTorch Hub: Önceden eğitilmiş modelleri PyTorch Hub aracılığıyla yüklemeyi öğren.
- TFLite, ONNX, CoreML, TensorRT Dışa Aktarma 🚀: Modelini farklı biçimlere nasıl aktaracağını öğren.
- Test Zamanı Artırımı (TTA): Modelinin tahmin doğruluğunu artırmak için TTA'dan nasıl yararlanacağını keşfet.
- Model Toplulukları: Performansı artırmak 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 Aktarım Öğrenimi: YOLOv5'te katmanları dondurarak aktarım öğrenimini nasıl uygulayacağını öğren.
- Mimari Özeti 🌟 YOLOv5 modelinin yapısal ayrıntılarını incele. Daha fazla bilgi için YOLOv5 v6.0 blog gönderisini oku.
- ClearML Günlük Kaydı Entegrasyonu 🌟 Model eğitimi sırasında günlük kayıtlarını verimli şekilde tutmak için ClearML entegrasyonunu öğren.
- Neural Magic ile YOLOv5: YOLOv5 modelini budamak ve nicelemek için Neural Magic'in DeepSparse çözümünü nasıl kullanacağını keşfet.
- Comet Günlük Kaydı Entegrasyonu: Model eğitimi günlük kaydını iyileştirmek için Comet çözümünden nasıl yararlanacağını keşfet.
Desteklenen Ortamlar#
Ultralytics, projelerine hızlıca başlaman için CUDA, CuDNN, Python ve PyTorch gibi temel bağımlılıkların önceden yüklü olduğu çeşitli kullanıma hazır 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 işlevselliğini ve performansını eğitim, doğrulama, çıkarım, dışa aktarma ve karşılaştırmalı testler gibi temel alanlarda titizlikle denetler. Testler her 24 saatte bir ve her yeni gönderimde gerçekleştirilerek macOS, Windows ve Ubuntu'da tutarlı ve güvenilir çalışma sağlanır.
Bağlan ve Katkıda Bulun#
YOLOv5 yolculuğunda tek başına olmak zorunda değilsin. GitHub üzerindeki canlı topluluğumuza katıl, LinkedIn üzerinden profesyonellerle iletişim kur, sonuçlarını Twitter üzerinde paylaş ve eğitim kaynaklarını YouTube üzerinden bul. Daha ilgi çekici içerikler için bizi TikTok ve BiliBili üzerinden takip et.
Katkıda bulunmak ister misin? Kod iyileştirmelerinden hata bildirimlerine ve belge güncellemelerine kadar her tür katkıyı memnuniyetle karşılıyoruz. Daha fazla bilgi için katkıda bulunma yönergelerimize göz at.
YOLOv5'i hangi yenilikçi şekillerde kullanacağını görmek için sabırsızlanıyoruz. Hemen başla, denemeler yap ve bilgisayarlı görü projelerinde devrim yarat! 🚀
Sık Sorulan Sorular#
Ultralytics YOLOv5, yüksek hızı ve yüksek doğruluğa sahip nesne algılama yetenekleriyle tanınır. PyTorch üzerine kuruludur ve çok yönlü, kullanıcı dostu yapısıyla çeşitli bilgisayarlı görü projeleri için uygundur. Temel özellikleri arasında gerçek zamanlı çıkarım, Test Zamanı Artırımı (TTA) ve Model Toplulukları gibi çıkarım tekniklerini desteklemesi ve TFLite, ONNX, CoreML ve TensorRT gibi dışa aktarma biçimleriyle uyumluluğu yer alır. Ultralytics YOLOv5'in projenizi nasıl geliştirebileceğini daha ayrıntılı incelemek için TFLite, ONNX, CoreML, TensorRT Dışa Aktarma kılavuzumuza göz at.
Veri kümenle özel bir YOLOv5 modeli eğitmek birkaç temel adımdan oluşur. Önce veri kümeni, etiketlerle açıklama eklenmiş gerekli biçimde hazırla. Ardından YOLOv5 eğitim parametrelerini yapılandır ve
train.pybetiğini kullanarak eğitim sürecini başlat. Bu sürece dair ayrıntılı bir eğitim için Özel Verilerle Eğitim kılavuzumuza başvur. Kılavuz, kullanım senaryona göre en iyi sonuçları almanı sağlayacak adım adım talimatlar sunar.Ultralytics YOLOv5, gerçek zamanlı nesne algılamadaki üstün hızı ve doğruluğu nedeniyle R-CNN gibi modellere tercih edilir. YOLOv5 görüntünün tamamını tek seferde işler ve bu nedenle birden fazla geçiş gerektiren R-CNN'in bölge tabanlı yaklaşımına kıyasla çok daha hızlıdır. Ayrıca YOLOv5'in çeşitli dışa aktarma biçimleriyle sorunsuz entegrasyonu ve kapsamlı belgeleri, onu hem yeni başlayanlar hem de profesyoneller için mükemmel bir seçenek hâline getirir. Mimari avantajlar hakkında daha fazla bilgi için Mimari Özeti bölümümüze göz at.
YOLOv5 modelinin performansını optimize etmek, çeşitli hiperparametreleri ayarlamayı ve veri artırma ile aktarım öğrenimi gibi teknikleri uygulamayı içerir. Ultralytics, model verimliliğini artırmak için hiperparametre evrimi ve budama/seyreklik konularında kapsamlı kaynaklar sunar. Eğitim sırasında en iyi performansa ulaşmak için uygulanabilir öneriler sunan En İyi Eğitim Sonuçları İçin İpuçları kılavuzumuzda pratik ipuçlarını bulabilirsin.
Ultralytics YOLOv5, Gradient, Google Colab ve Kaggle üzerindeki ücretsiz GPU not defterlerinin yanı sıra Google Cloud, Amazon AWS ve Azure gibi başlıca bulut platformları da dâhil olmak üzere çeşitli ortamları destekler. Kolay kurulum için Docker imajları da kullanılabilir. Bu ortamların kurulumuna ilişkin ayrıntılı bir kılavuz için her platforma yönelik adım adım talimatlar içeren Desteklenen Ortamlar bölümümüze göz at.