Kapsamlı Kılavuz Ultralytics YOLOv5
Ultralytics'a hoş geldiniz YOLOv5🚀 Dokümantasyon! YOLOv5 devrim niteliğindeki "You Only Look Once "ın beşinci yinelemesi nesne algılama modeli, gerçek zamanlı olarak yüksek hızlı, yüksek doğrulukta sonuçlar sunmak üzere tasarlanmıştır.
PyTorch üzerine inşa edilen bu güçlü derin öğrenme çerçevesi çok yönlülüğü, kullanım kolaylığı ve yüksek performansı ile büyük bir popülerlik kazanmıştır. Belgelerimiz kurulum sürecinde size rehberlik eder, modelin mimari nüanslarını açıklar, çeşitli kullanım durumlarını sergiler ve bir dizi ayrıntılı eğitim sağlar. Bu kaynaklar, YOLOv5 'un tüm potansiyelinden yararlanmanıza yardımcı olacaktır. bilgisayar görüşü projeler. Hadi başlayalım!
Keşfedin ve Öğrenin
İşte size YOLOv5'un farklı yönlerinde rehberlik edecek kapsamlı eğitimlerin bir derlemesi.
- Özel Verileri Eğit in 🚀 ÖNERİLEN: YOLOv5 modelini özel veri kümeniz üzerinde nasıl eğiteceğinizi öğrenin.
- En İyi Eğitim Sonuçları için İpuçları ☘️: Model eğitim sürecinizi optimize etmek için pratik ipuçlarını ortaya çıkarın.
- ÇokluGPU Eğitim: Eğitiminizi hızlandırmak için birden fazla GPU'dan nasıl yararlanacağınızı anlayın.
- PyTorch Hub 🌟 YENİ: PyTorch Hub üzerinden önceden eğitilmiş modelleri yüklemeyi öğrenin.
- TFLite, ONNX, CoreML, TensorRT Dışa Aktar 🚀: Modelinizi farklı formatlara nasıl dışa aktaracağınızı anlayın.
- Test Süresi Artırma (TTA): Modelinizin tahmin doğruluğunu artırmak için TTA'yı nasıl kullanacağınızı keşfedin.
- Model Toplama: Gelişmiş performans için birden fazla modeli birleştirme stratejisini öğrenin.
- Model Budama/Seyreklik: Budama ve seyreklik kavramlarını ve daha verimli bir modelin nasıl oluşturulacağını anlayın.
- Hiperparametre Evrimi: Daha iyi model performansı için otomatik hiperparametre ayarlama sürecini keşfedin.
- Dondurulmuş Katmanlar ile Transfer Öğrenimi: YOLOv5 adresinde katmanları dondurarak transfer öğrenimini nasıl uygulayacağınızı öğrenin.
- Mimari Özeti 🌟 YOLOv5 modelinin yapısal detaylarını inceleyin.
- Roboflow Veri Kümeleri için: Veri kümesi yönetimi, etiketleme ve aktif öğrenme için Roboflow adresinin nasıl kullanılacağını anlayın.
- ClearML Loglama 🌟 Model eğitiminiz sırasında verimli loglama için ClearML adresini nasıl entegre edeceğinizi öğrenin.
- YOLOv5 Neural Magic ile YOLOv5 modelinizi budamak ve nicelleştirmek için 'un Deepsparse özelliğini nasıl kullanacağınızı keşfedin. Neural Magic
- Comet Günlüğe kaydetme 🌟 YENİ: Geliştirilmiş model eğitimi günlüğü için Comet adresinin nasıl kullanılacağını keşfedin.
Desteklenen Ortamlar
Ultralytics gibi temel bağımlılıklarla önceden yüklenmiş bir dizi kullanıma hazır ortam sağlar. CUDA, CUDNN, Pythonve PyTorchProjelerinizi başlatmak için.
- Ücretsiz GPU Not Defterleri:
- Google Bulut: 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 'un işlevselliğini ve performansını çeşitli temel yönlerden titizlikle kontrol eder: eğitim, doğrulama, çıkarım, dışa aktarma ve kıyaslamalar. Her 24 saatte bir ve her yeni işlemde yapılan testlerle macOS, Windows ve Ubuntu üzerinde tutarlı ve güvenilir çalışma sağlarlar.
Bağlanın ve Katkıda Bulun
YOLOv5 ile yolculuğunuz yalnız olmak zorunda değil. GitHub'daki canlı topluluğumuza katılın, LinkedIn'de profesyonellerle bağlantı kurun, sonuçlarınızı Twitter'da paylaşın ve YouTube'da eğitim kaynakları bulun. Daha ilgi çekici içerikler için bizi TikTok ve BiliBili 'de takip edin.
Katkıda bulunmak ister misiniz? Kod iyileştirmeleri ve hata raporlarından dokümantasyon güncellemelerine kadar her türlü katkıyı memnuniyetle karşılıyoruz. Daha fazla bilgi için katkıda bulunma yönergelerimize göz atın.
YOLOv5 adresini kullanacağınız yenilikçi yolları görmek için heyecanlıyız. Dalış yapın, deneyin ve bilgisayarla görme projelerinizde devrim yaratın! 🚀
SSS
Ultralytics YOLOv5 'un temel özellikleri nelerdir?
Ultralytics YOLOv5 yüksek hızlı ve yüksek hassasiyetli nesne algılama özellikleriyle ünlüdür. Üzerine inşa edilmiştir PyTorchÇok yönlü ve kullanıcı dostu olması onu çeşitli bilgisayarla görme projeleri için uygun hale getirmektedir. Temel özellikler arasında gerçek zamanlı çıkarım, Test-Zamanı Artırma (TTA) ve Model Toplama gibi çoklu eğitim hileleri desteği ve TFLite, ONNX, CoreML ve TensorRT gibi dışa aktarma formatlarıyla uyumluluk yer alır. Ultralytics YOLOv5 adresinin projenizi nasıl geliştirebileceğini daha derinlemesine incelemek için TFLite, ONNX, CoreML, TensorRT Dışa Aktarma kılavuzumuzu keşfedin.
Veri kümemde özel bir YOLOv5 modelini nasıl eğitebilirim?
Veri setiniz üzerinde özel bir YOLOv5 modelinin eğitilmesi birkaç temel adımdan oluşur. İlk olarak, veri setinizi etiketlerle açıklanmış olarak gerekli formatta hazırlayın. Ardından, YOLOv5 eğitim parametrelerini yapılandırın ve eğitim sürecini train.py senaryo. Bu süreçle ilgili ayrıntılı bir eğitim için Train Özel Veri kılavuzu. Özel kullanım durumunuz için en iyi sonuçları sağlamak üzere adım adım talimatlar sağlar.
Neden RCNN gibi diğer nesne algılama modelleri yerine Ultralytics YOLOv5 kullanmalıyım?
Ultralytics YOLOv5 gerçek zamanlı nesne tespitindeki üstün hızı ve doğruluğu nedeniyle RCNN gibi modellere göre tercih edilmektedir. YOLOv5 tüm görüntüyü tek seferde işleyerek, RCNN'nin birden fazla geçiş içeren bölge tabanlı yaklaşımına kıyasla önemli ölçüde daha hızlı hale getirir. Ayrıca, YOLOv5'un çeşitli dışa aktarma formatlarıyla sorunsuz entegrasyonu ve kapsamlı dokümantasyonu, onu hem yeni başlayanlar hem de profesyoneller için mükemmel bir seçim haline getirmektedir. Mimari Özetimizde mimari avantajlar hakkında daha fazla bilgi edinin.
Eğitim sırasında YOLOv5 model performansını nasıl optimize edebilirim?
YOLOv5 model performansının optimize edilmesi, çeşitli hiperparametrelerin ayarlanmasını ve veri artırma ve transfer öğrenimi gibi tekniklerin dahil edilmesini içerir. Ultralytics , model verimliliğini artırmak için hiperparametre evrimi ve budama / seyreklik hakkında kapsamlı kaynaklar sağlar. Eğitim sırasında optimum performans elde etmek için eyleme geçirilebilir bilgiler sunan En İyi Eğitim Sonuçları için İpuçları kılavuzumuzda pratik ipuçlarını keşfedebilirsiniz.
YOLOv5 uygulamalarını çalıştırmak için hangi ortamlar desteklenir?
Ultralytics YOLOv5 Gradient, Google Colab, Kaggle'daki ücretsiz GPU not defterlerinin yanı sıra Google Cloud, Amazon AWS ve Azure gibi büyük bulut platformları da dahil olmak üzere çeşitli ortamları destekler. Kolay kurulum için Docker görüntüleri de mevcuttur. Bu ortamların kurulumu hakkında ayrıntılı bir kılavuz için, her platform için adım adım talimatlar içeren Desteklenen Ortamlar bölümümüze göz atın.
