Ultralytics YOLOv5 Kapsamlı Rehberi#
Ultralytics YOLOv5🚀 Belgelerine Hoş Geldin! Çığır açan "You Only Look Once" nesne tespiti modelinin beşinci yinelemesi olan Ultralytics YOLOv5, gerçek zamanlı olarak yüksek hız ve yüksek doğrulukta sonuçlar sunmak üzere tasarlanmıştır. YOLOv5 güçlü bir araç olmaya devam ederken, en son gelişmeler için halefleri Ultralytics YOLOv8, YOLO11 ve YOLO26 modellerini incelemeyi düşün.
PyTorch üzerine inşa edilen bu güçlü derin öğrenme çerçevesi, çok yönlülüğü, kullanım kolaylığı ve yüksek performansı sayesinde büyük bir popülerlik kazanmıştır. Belgelerimiz seni kurulum sürecinde yönlendirir, modelin mimari inceliklerini açıklar, çeşitli kullanım senaryolarını sergiler ve bir dizi ayrıntılı eğitim sunar. Bu kaynaklar, computer vision projelerin için YOLOv5'in tüm potansiyelinden yararlanmana yardımcı olacaktır. Hadi başlayalım!
Keşfet ve Öğren#
İşte YOLOv5'in farklı yönlerinde sana rehberlik edecek kapsamlı eğitimlerin bir derlemesi.
- Özel Verileri Eğit 🚀 ÖNERİLEN: YOLOv5 modelini kendi özel veri setinde nasıl eğiteceğini öğren.
- En İyi Eğitim Sonuçları İçin İpuçları ☘️: Model eğitim sürecini optimize etmek için pratik ipuçlarını keşfet.
- Çoklu GPU Eğitimi: Eğitimini hızlandırmak için birden fazla GPU'dan nasıl yararlanacağını anla.
- PyTorch Hub 🌟 YENİ: PyTorch Hub aracılığıyla önceden eğitilmiş modelleri yüklemeyi öğren.
- TFLite, ONNX, CoreML, TensorRT Dışa Aktarma 🚀: Modelini farklı formatlara nasıl dışa aktaracağını anla.
- Test Zamanı Artırma (TTA): Modelinin tahmin doğruluğunu artırmak için TTA'yı nasıl kullanacağını keşfet.
- Model Birleştirme: Gelişmiş performans için birden fazla modeli birleştirme stratejisini öğren.
- Model Budama/Seyreklik: Budama ve seyreklik kavramlarını ve daha verimli bir modelin nasıl oluşturulacağını anla.
- Hiperparametre Evrimi: Daha iyi model performansı için otomatik hiperparametre ayarı sürecini keşfet.
- Dondurulmuş Katmanlarla Aktarımlı Öğrenme: YOLOv5'te katmanları dondurarak aktarımlı öğrenmeyi nasıl uygulayacağını öğren.
- Mimari Özeti 🌟 YOLOv5 modelinin yapısal detaylarına dal. Daha fazla bilgi için YOLOv5 v6.0 blog yazısını oku.
- ClearML Günlüğe Kaydetme Entegrasyonu 🌟 Model eğitimi sırasında verimli günlüğe kaydetme için ClearML entegrasyonunu nasıl yapacağını öğren.
- Neural Magic ile YOLOv5: YOLOv5 modelini budamak ve kuantalize etmek için Neural Magic's DeepSparse aracını nasıl kullanacağını keşfet.
- Comet Günlüğe Kaydetme Entegrasyonu 🌟 YENİ: Gelişmiş model eğitimi günlüğü için Comet kullanımını keşfet.
Desteklenen Ortamlar#
Ultralytics, projelerini hızlandırmak için her biri CUDA, CuDNN, Python ve PyTorch gibi temel bağımlılıklarla önceden yüklenmiş bir dizi kullanıma hazır ortam sağlar. Ayrıca Ultralytics Platform kullanarak modellerini ve veri setlerini yönetebilirsin.
- Free GPU Notebooks:
- Google Cloud: GCP Hızlı Başlangıç Kılavuzu
- Amazon: AWS Hızlı Başlangıç Kılavuzu
- Azure: AzureML Hızlı Başlangıç Kılavuzu
- Docker: Docker Quickstart Guide
Proje Durumu#
Bu rozet, tüm YOLOv5 GitHub Actions Continuous Integration (CI) testlerinin başarıyla geçtiğini gösterir. Bu CI testleri, YOLOv5'in işlevselliğini ve performansını çeşitli temel yönlerden titizlikle kontrol eder: training, validation, inference, export ve benchmarks. Her 24 saatte bir ve her yeni commit ile gerçekleştirilen testlerle macOS, Windows ve Ubuntu üzerinde tutarlı ve güvenilir bir çalışma sağlarlar.
Bağlantı Kur ve Katkıda Bulun#
YOLOv5 ile olan yolculuğunun yalnız geçmesi gerekmiyor. GitHub üzerindeki canlı topluluğumuza katıl, LinkedIn üzerinden profesyonellerle bağlantı kur, sonuçlarını Twitter üzerinden paylaş ve YouTube üzerinde eğitim kaynakları bul. Daha ilgi çekici içerikler için bizi TikTok ve BiliBili üzerinden takip et.
Katkıda bulunmak ister misin? Kod iyileştirmeleri ve hata raporlarından belgeleme güncellemelerine kadar her türlü katkıyı memnuniyetle karşılıyoruz. Daha fazla bilgi için katkıda bulunma kılavuzumuza göz at.
YOLOv5'i kullanacağın yenilikçi yolları görmeyi dört gözle bekliyoruz. Hadi dal, dene ve bilgisayarlı görü projelerinde devrim yarat! 🚀
SSS#
Ultralytics YOLOv5, yüksek hızlı ve yüksek doğruluklu nesne tespiti yetenekleriyle tanınır. PyTorch üzerine inşa edilmiştir; çok yönlü ve kullanıcı dostudur, bu da onu çeşitli computer vision projeleri için uygun hale getirir. Temel özellikleri arasında gerçek zamanlı çıkarım, Test Zamanı Artırma (TTA) ve Model Birleştirme gibi çoklu eğitim hileleri desteği ve TFLite, ONNX, CoreML ve TensorRT gibi dışa aktarma formatlarıyla uyumluluk yer alır. Ultralytics YOLOv5'in projeni nasıl ileri taşıyabileceğini daha derinlemesine incelemek için TFLite, ONNX, CoreML, TensorRT Dışa Aktarma kılavuzumuzu keşfet.
Özel bir YOLOv5 modelini veri setinde eğitmek birkaç önemli adım içerir. İlk olarak, veri setini gerekli formatta, etiketlerle açıklanmış olarak hazarla. Ardından, YOLOv5 eğitim parametrelerini yapılandır ve
train.pykomut dosyasını kullanarak eğitim sürecini başlat. Bu süreç hakkında derinlemesine bir eğitim için Özel Verileri Eğit kılavuzumuza başvur. Belirli kullanım senaryon için en iyi sonuçları alman adım adım talimatlar sağlar.Ultralytics YOLOv5, gerçek zamanlı nesne tespiti konusundaki üstün hızı ve doğruluğu nedeniyle R-CNN gibi modellere tercih edilir. YOLOv5, tüm görüntüyü tek seferde işleyerek, birden fazla geçiş içeren RCNN'in bölge tabanlı yaklaşımına kıyasla önemli ölçüde daha hızlı olmasını sağlar. Ek olarak, YOLOv5'in çeşitli dışa aktarma formatlarıyla sorunsuz entegrasyonu ve kapsamlı belgeleri, onu hem yeni başlayanlar hem de profesyoneller için mükemmel bir seçim haline getirir. Mimari avantajlar hakkında daha fazla bilgiyi Mimari Özeti bölümümüzde bulabilirsin.
YOLOv5 model performansını optimize etmek, çeşitli hiperparametrelerin ayarlanmasını ve veri artırma ile aktarımlı öğrenme 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 pratik içgörüler sunan En İyi Eğitim Sonuçları İçin İpuçları kılavuzumuzda pratik ipuçları keşfedebilirsin.
Ultralytics YOLOv5; Gradient, Google Colab ve Kaggle üzerindeki ücretsiz GPU defterlerinin yanı sıra Google Cloud, Amazon AWS ve Azure gibi büyük bulut platformları 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 at.