<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>

Hướng dẫn toàn diện về Ultralytics YOLOv5

Chào mừng bạn đến với tài liệu về Ultralytics YOLOv5🚀! Ultralytics YOLOv5, phiên bản thứ năm của mô hình phát hiện đối tượng mang tính cách mạng "You Only Look Once", được thiết kế để mang lại kết quả tốc độ cao, độ chính xác cao trong thời gian thực. Mặc dù YOLOv5 vẫn là một công cụ mạnh mẽ, hãy cân nhắc khám phá các thế hệ kế nhiệm như Ultralytics YOLOv8, YOLO11, và YOLO26 để cập nhật những tiến bộ mới nhất.

Được xây dựng trên nền tảng PyTorch, framework học sâu mạnh mẽ này đã đạt được sự phổ biến rộng rãi nhờ tính linh hoạt, dễ sử dụng và hiệu suất cao. Tài liệu của chúng tôi hướng dẫn bạn qua quá trình cài đặt, giải thích các sắc thái kiến trúc của mô hình, giới thiệu nhiều trường hợp sử dụng khác nhau và cung cấp một loạt các bài hướng dẫn chi tiết. Những tài nguyên này sẽ giúp bạn khai thác toàn bộ tiềm năng của YOLOv5 cho các dự án thị giác máy tính của mình. Hãy bắt đầu ngay thôi!

Khám phá và Học hỏi

Dưới đây là tập hợp các hướng dẫn toàn diện sẽ đồng hành cùng bạn trong các khía cạnh khác nhau của YOLOv5.

• Huấn luyện dữ liệu tùy chỉnh 🚀 KHUYẾN NGHỊ: Tìm hiểu cách huấn luyện mô hình YOLOv5 trên tập dữ liệu tùy chỉnh của bạn.
• Mẹo để đạt kết quả huấn luyện tốt nhất ☘️: Khám phá các mẹo thực tế để tối ưu hóa quy trình huấn luyện mô hình của bạn.
• Huấn luyện đa GPU: Hiểu cách tận dụng nhiều GPU để đẩy nhanh quá trình huấn luyện của bạn.
• PyTorch Hub 🌟 MỚI: Tìm hiểu cách tải các mô hình đã được huấn luyện sẵn thông qua PyTorch Hub.
• Xuất mô hình sang TFLite, ONNX, CoreML, TensorRT 🚀: Hiểu cách xuất mô hình của bạn sang các định dạng khác nhau.
• Tăng cường dữ liệu khi kiểm thử (TTA): Khám phá cách sử dụng TTA để cải thiện độ chính xác dự đoán của mô hình.
• Kết hợp mô hình (Ensembling): Tìm hiểu chiến lược kết hợp nhiều mô hình để cải thiện hiệu suất.
• Cắt tỉa mô hình/Độ thưa (Pruning/Sparsity): Hiểu các khái niệm về cắt tỉa và độ thưa, cũng như cách tạo ra một mô hình hiệu quả hơn.
• Tiến hóa siêu tham số (Hyperparameter Evolution): Khám phá quy trình tinh chỉnh siêu tham số tự động để có hiệu suất mô hình tốt hơn.
• Học chuyển tiếp với các lớp bị đóng băng (Frozen Layers): Tìm hiểu cách triển khai học chuyển tiếp bằng cách đóng băng các lớp trong YOLOv5.
• Tóm tắt kiến trúc 🌟 Tìm hiểu sâu hơn về chi tiết cấu trúc của mô hình YOLOv5. Đọc bài blog YOLOv5 v6.0 để biết thêm thông tin chi tiết.
• Tích hợp ghi nhật ký ClearML 🌟 Tìm hiểu cách tích hợp ClearML để ghi nhật ký hiệu quả trong quá trình huấn luyện mô hình.
• YOLOv5 với Neural Magic: Khám phá cách sử dụng DeepSparse của Neural Magic để cắt tỉa và lượng tử hóa mô hình YOLOv5 của bạn.
• Tích hợp ghi nhật ký Comet 🌟 MỚI: Khám phá cách sử dụng Comet để cải thiện việc ghi nhật ký huấn luyện mô hình.

Môi trường được hỗ trợ

Ultralytics cung cấp hàng loạt các môi trường sẵn sàng sử dụng, mỗi môi trường đều được cài đặt sẵn các phụ thuộc thiết yếu như CUDA, CuDNN, Python, và PyTorch để khởi động dự án của bạn. Bạn cũng có thể quản lý các mô hình và tập dữ liệu của mình bằng cách sử dụng Ultralytics Platform.

• Notebook GPU miễn phí:
• Google Cloud: Hướng dẫn bắt đầu nhanh GCP
• Amazon: Hướng dẫn bắt đầu nhanh AWS
• Azure: Hướng dẫn bắt đầu nhanh AzureML
• Docker: Hướng dẫn bắt đầu nhanh Docker

Trạng thái dự án

Huy hiệu này cho biết tất cả các bài kiểm thử Tích hợp liên tục (CI) của YOLOv5 GitHub Actions đều đã vượt qua thành công. Các bài kiểm thử CI này kiểm tra nghiêm ngặt chức năng và hiệu suất của YOLOv5 trên nhiều khía cạnh quan trọng: huấn luyện, xác thực, suy luận, xuất mô hình, và điểm chuẩn. Chúng đảm bảo hoạt động nhất quán và tin cậy trên macOS, Windows và Ubuntu, với các bài kiểm thử được tiến hành mỗi 24 giờ và sau mỗi lần commit mới.

Kết nối và Đóng góp

Hành trình của bạn với YOLOv5 không cần phải là một mình. Hãy tham gia cộng đồng sôi động của chúng tôi trên GitHub, kết nối với các chuyên gia trên LinkedIn, chia sẻ kết quả của bạn trên Twitter, và tìm kiếm các tài nguyên giáo dục trên YouTube. Theo dõi chúng tôi trên TikTok và BiliBili để nhận thêm nội dung hấp dẫn.

Bạn quan tâm đến việc đóng góp? Chúng tôi hoan nghênh mọi hình thức đóng góp, từ cải thiện mã nguồn và báo cáo lỗi cho đến cập nhật tài liệu. Hãy xem nguyên tắc đóng góp của chúng tôi để biết thêm thông tin.

Chúng tôi rất hào hứng khi thấy những cách đổi mới mà bạn sẽ sử dụng YOLOv5. Hãy bắt tay vào, thử nghiệm và cách mạng hóa các dự án thị giác máy tính của bạn! 🚀

Câu hỏi thường gặp (FAQ)

Các tính năng chính của Ultralytics YOLOv5 là gì?

Ultralytics YOLOv5 nổi tiếng với khả năng phát hiện đối tượng tốc độ cao và độ chính xác cao. Được xây dựng trên PyTorch, mô hình này linh hoạt và thân thiện với người dùng, phù hợp cho nhiều dự án thị giác máy tính. Các tính năng chính bao gồm suy luận thời gian thực, hỗ trợ nhiều thủ thuật huấn luyện như Tăng cường dữ liệu khi kiểm thử (TTA) và Kết hợp mô hình (Model Ensembling), đồng thời tương thích với các định dạng xuất như TFLite, ONNX, CoreML và TensorRT. Để tìm hiểu sâu hơn về cách Ultralytics YOLOv5 có thể nâng tầm dự án của bạn, hãy khám phá hướng dẫn xuất TFLite, ONNX, CoreML, TensorRT.

Làm thế nào tôi có thể huấn luyện một mô hình YOLOv5 tùy chỉnh trên tập dữ liệu của mình?

Việc huấn luyện mô hình YOLOv5 tùy chỉnh trên tập dữ liệu của bạn bao gồm một vài bước chính. Đầu tiên, hãy chuẩn bị tập dữ liệu của bạn theo định dạng yêu cầu, được gắn nhãn với các nhãn tương ứng. Sau đó, cấu hình các tham số huấn luyện YOLOv5 và bắt đầu quy trình huấn luyện bằng cách sử dụng tập lệnh train.py. Để có hướng dẫn chuyên sâu về quy trình này, hãy tham khảo hướng dẫn Huấn luyện dữ liệu tùy chỉnh. Nó cung cấp các hướng dẫn từng bước để đảm bảo kết quả tối ưu cho trường hợp sử dụng cụ thể của bạn.

Tại sao tôi nên sử dụng Ultralytics YOLOv5 thay vì các mô hình phát hiện đối tượng khác như RCNN?

Ultralytics YOLOv5 được ưu tiên hơn so với các mô hình như R-CNN nhờ tốc độ và độ chính xác vượt trội trong phát hiện đối tượng thời gian thực. YOLOv5 xử lý toàn bộ hình ảnh trong một lượt, giúp nó nhanh hơn đáng kể so với cách tiếp cận dựa trên vùng của RCNN, vốn liên quan đến nhiều lượt duyệt. Ngoài ra, việc tích hợp liền mạch của YOLOv5 với nhiều định dạng xuất khác nhau và tài liệu phong phú làm cho nó trở thành lựa chọn tuyệt vời cho cả người mới bắt đầu và các chuyên gia. Tìm hiểu thêm về các ưu điểm kiến trúc trong Tóm tắt kiến trúc của chúng tôi.

Làm thế nào tôi có thể tối ưu hóa hiệu suất mô hình YOLOv5 trong quá trình huấn luyện?

Tối ưu hóa hiệu suất mô hình YOLOv5 bao gồm việc tinh chỉnh các siêu tham số khác nhau và kết hợp các kỹ thuật như tăng cường dữ liệu và học chuyển tiếp. Ultralytics cung cấp các tài nguyên toàn diện về tiến hóa siêu tham số và cắt tỉa/độ thưa để cải thiện hiệu quả mô hình. Bạn có thể khám phá các mẹo thực tế trong hướng dẫn Mẹo để đạt kết quả huấn luyện tốt nhất, cung cấp những thông tin hữu ích để đạt được hiệu suất tối ưu trong khi huấn luyện.

Những môi trường nào được hỗ trợ để chạy các ứng dụng YOLOv5?

Ultralytics YOLOv5 hỗ trợ nhiều môi trường khác nhau, bao gồm các notebook GPU miễn phí trên Gradient, Google Colab, và Kaggle, cũng như các nền tảng đám mây lớn như Google Cloud, Amazon AWS, và Azure. Các Docker image cũng có sẵn để thiết lập thuận tiện. Để biết hướng dẫn chi tiết về cách thiết lập các môi trường này, hãy xem phần Môi trường được hỗ trợ của chúng tôi, bao gồm các hướng dẫn từng bước cho từng nền tảng.