<a href="https://github.com/ultralytics/ultralytics/actions/workflows/ci.yml"><img src="https://github.com/ultralytics/ultralytics/actions/workflows/ci.yml/badge.svg" alt="Ultralytics CI"></a>
<a href="https://clickpy.clickhouse.com/dashboard/ultralytics"><img src="https://static.pepy.tech/badge/ultralytics" alt="Ultralytics Downloads"></a>
<a href="https://discord.com/invite/ultralytics"><img alt="Ultralytics Discord" src="https://img.shields.io/discord/1089800235347353640?logo=discord&logoColor=white&label=Discord&color=blue"></a>
<a href="https://community.ultralytics.com/"><img alt="Ultralytics Forums" src="https://img.shields.io/discourse/users?server=https%3A%2F%2Fcommunity.ultralytics.com&logo=discourse&label=Forums&color=blue"></a>
<a href="https://www.reddit.com/r/ultralytics/"><img alt="Ultralytics Reddit" src="https://img.shields.io/reddit/subreddit-subscribers/ultralytics?style=flat&logo=reddit&logoColor=white&label=Reddit&color=blue"></a>
<br>
<a href="https://console.paperspace.com/github/ultralytics/ultralytics"><img src="https://assets.paperspace.io/img/gradient-badge.svg" alt="Run Ultralytics on Gradient"></a>
<a href="https://colab.research.google.com/github/ultralytics/ultralytics/blob/main/examples/tutorial.ipynb"><img src="https://colab.research.google.com/assets/colab-badge.svg" alt="Open Ultralytics In Colab"></a>
<a href="https://www.kaggle.com/models/ultralytics/yolo26"><img src="https://kaggle.com/static/images/open-in-kaggle.svg" alt="Open Ultralytics In Kaggle"></a>
<a href="https://mybinder.org/v2/gh/ultralytics/ultralytics/HEAD?labpath=examples%2Ftutorial.ipynb"><img src="https://mybinder.org/badge_logo.svg" alt="Open Ultralytics In Binder"></a>Ultralytics YOLOv5 için Kapsamlı Kılavuz
Ultralytics YOLOv5🚀 Dokümantasyonuna hoş geldin! Devrim niteliğindeki "You Only Look Once" nesne algılama modelinin beşinci iterasyonu olan Ultralytics YOLOv5, gerçek zamanlı olarak yüksek hızlı ve yüksek doğrulukta sonuçlar sunmak üzere tasarlanmıştır. YOLOv5 güçlü bir araç olmaya devam etse de, en son yenilikler için halefleri olan Ultralytics YOLOv8, YOLO11 ve YOLO26 modellerini incelemeyi düşünebilirsin.
PyTorch üzerine inşa edilen bu güçlü derin öğrenme çatısı, çok yönlülüğü, kullanım kolaylığı ve yüksek performansı sayesinde muazzam bir popülerlik kazanmıştır. Dokümantasyonumuz sana kurulum sürecinde yol gösterir, modelin mimari nüanslarını açıklar, çeşitli kullanım durumlarını sergiler ve bir dizi ayrıntılı eğitim sunar. Bu kaynaklar, bilgisayarlı görü 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 Veriyle Eğitim 🚀 ÖNERİLEN: YOLOv5 modelini kendi özel veri kümen üzerinde nasıl eğiteceğini öğren.
- En İyi Eğitim Sonuçları İçin İpuçları ☘️: Model eğitim sürecini optimize etmek için pratik ipuçlarını keşfet.
- Çoklu GPU ile Eğitim: 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 aktaracağını anla.
- Test Zamanı Artırma (TTA): Modelinin tahmin doğruluğunu artırmak için TTA'yı nasıl kullanacağını keşfet.
- Model Birleştirme: Performansı artırmak için birden fazla modeli birleştirme stratejisini öğren.
- Model Budama/Seyreklik: Budama ve seyreklik kavramlarını anla ve nasıl daha verimli bir model oluşturacağını öğren.
- Hiperparametre Evrimi: Daha iyi model performansı için otomatik hiperparametre ayarı sürecini keşfet.
- Dondurulmuş Katmanlarla Transfer Öğrenme: YOLOv5'te katmanları dondurarak transfer öğrenmeyi nasıl uygulayacağını öğren.
- Mimari Özeti 🌟 YOLOv5 modelinin yapısal detaylarını incele. Daha fazla bilgi için YOLOv5 v6.0 blog gönderisini oku.
- ClearML Günlükleme Entegrasyonu 🌟 Model eğitimin sırasında verimli günlükleme için ClearML entegrasyonunun nasıl yapılacağını öğren.
- Neural Magic ile YOLOv5: YOLOv5 modelini budamak ve nicemlemek için Neural Magic's DeepSparse kullanımını keşfet.
- Comet Günlükleme Entegrasyonu 🌟 YENİ: Geliştirilmiş model eğitimi günlüklemesi için Comet kullanımını keşfet.
Desteklenen Ortamlar
Ultralytics, projelerine hızlı bir başlangıç yapman için her biri CUDA, CuDNN, Python ve PyTorch gibi temel bağımlılıklarla önceden yüklenmiş, kullanıma hazır çeşitli ortamlar sağlar. Ayrıca modellerini ve veri kümelerini Ultralytics Platform kullanarak 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 çeşitli temel açılardan titizlikle kontrol eder: eğitim, doğrulama, çıkarım, dışa aktarma ve kıyaslamalar. macOS, Windows ve Ubuntu üzerinde tutarlı ve güvenilir bir çalışma sağlarlar; testler her 24 saatte bir ve her yeni commit'te gerçekleştirilir.
Bağlan ve Katkıda Bulun
YOLOv5 ile yolculuğun yalnız olmak zorunda değil. GitHub üzerinde canlı topluluğumuza katıl, LinkedIn üzerinde profesyonellerle bağlantı kur, sonuçlarını Twitter üzerinde paylaş ve YouTube üzerinde eğitim kaynaklarını bul. Daha fazla ilgi çekici içerik için bizi TikTok ve BiliBili platformlarında takip et.
Katkıda bulunmak ister misin? Kod iyileştirmelerinden hata raporlarına ve dokümantasyon güncellemelerine kadar her türlü katkıyı memnuniyetle karşılıyoruz. Daha fazla bilgi için katkı kılavuzlarımıza göz at.
YOLOv5'i kullanacağın yenilikçi yolları görmekten heyecan duyuyoruz. Dalış yap, deney yap ve bilgisayarlı görü projelerinde devrim yarat! 🚀
SSS
Ultralytics YOLOv5'in temel özellikleri nelerdir?
Ultralytics YOLOv5, yüksek hızlı ve yüksek doğruluklu nesne algılama yetenekleriyle ünlüdür. PyTorch üzerine inşa edilmiştir; çok yönlü ve kullanıcı dostudur, bu da onu çeşitli bilgisayarlı görü projeleri için uygun kılar. Temel özellikler arasında gerçek zamanlı çıkarım, Test Zamanı Artırma (TTA) ve Model Birleştirme gibi çok sayıda eğitim numarası desteği ve TFLite, ONNX, CoreML ve TensorRT gibi dışa aktarma formatlarıyla uyumluluk yer alır. Ultralytics YOLOv5'in projeni nasıl yükseltebileceğini daha derinlemesine incelemek için TFLite, ONNX, CoreML, TensorRT Dışa Aktarma kılavuzumuzu keşfet.
Veri kümem üzerinde nasıl özel bir YOLOv5 modeli eğitebilirim?
Veri kümen üzerinde özel bir YOLOv5 modeli eğitmek birkaç temel adım içerir. İlk olarak, veri kümeni etiketlerle açıklanmış şekilde gerekli formatta hazırla. Ardından, YOLOv5 eğitim parametrelerini yapılandır ve train.py betiğini kullanarak eğitim sürecini başlat. Bu süreçle ilgili derinlemesine bir eğitim için Özel Veriyle Eğitim kılavuzumuza başvur. Belirli kullanım durumun için en iyi sonuçları sağlaman adına adım adım talimatlar sunar.
Ultralytics YOLOv5'i neden RCNN gibi diğer nesne algılama modelleri yerine kullanmalıyım?
Ultralytics YOLOv5, gerçek zamanlı nesne algılamadaki üstün hızı ve doğruluğu nedeniyle R-CNN gibi modellere tercih edilir. YOLOv5, tüm görüntüyü tek seferde işler, bu da onu birden fazla geçiş gerektiren RCNN'in bölge tabanlı yaklaşımına kıyasla önemli ölçüde daha hızlı hale getirir. Ayrıca, YOLOv5'in çeşitli dışa aktarma formatlarıyla sorunsuz entegrasyonu ve kapsamlı dokümantasyonu, onu hem yeni başlayanlar hem de profesyoneller için mükemmel bir seçim haline getirir. Mimari avantajlar hakkında daha fazla bilgiyi Mimari Özeti bölümümüzde bulabilirsin.
Eğitim sırasında YOLOv5 model performansını nasıl optimize edebilirim?
YOLOv5 model performansını optimize etmek, çeşitli hiperparametreleri ayarlamayı ve veri artırma ile transfer öğrenme gibi teknikleri dahil etmeyi içerir. Ultralytics, model verimliliğini artırmak için hiperparametre evrimi ve budama/seyreklik konularında kapsamlı kaynaklar sunar. Eğitim sırasında en iyi performansa ulaşman için eyleme geçirilebilir içgörüler sunan En İyi Eğitim Sonuçları İçin İpuçları kılavuzumuzda pratik ipuçlarını keşfedebilirsin.
YOLOv5 uygulamalarını çalıştırmak için hangi ortamlar destekleniyor?
Ultralytics YOLOv5, Gradient, Google Colab ve Kaggle üzerindeki ücretsiz GPU not 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 kurulumuna ilişkin ayrıntılı bir kılavuz için, her platform için adım adım talimatları içeren Desteklenen Ortamlar bölümümüze göz at.