Hướng dẫn toàn diện về Ultralytics YOLOv5

Chào mừng bạn đến với Tài liệu Ultralytics YOLOv5🚀! Ultralytics YOLOv5, phiên bản thứ năm của mô hình phát hiện đối tượng "You Only Look Once" mang tính cách mạng, 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 phiên bản kế nhiệm của nó, Ultralytics YOLOv8, để biết những tiến bộ mới nhất.

Được xây dựng trên PyTorch, khung công cụ học sâu mạnh mẽ này đã thu hút được sự yêu thích lớn lao nhờ tính linh hoạt, dễ sử dụng và hiệu suất cao. Tài liệu của chúng tôi hướng dẫn bạn trong suốt quá trình cài đặt, giải thích các sắc thái kiến trúc của mô hình, giới thiệu các trường hợp sử dụng khác nhau và cung cấp một loạt các 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 bạn. Hãy bắt đầu!

Khám phá và Học hỏi

Dưới đây là tổng hợp các hướng dẫn toàn diện hướng dẫn bạn các khía cạnh khác nhau của YOLOv5.

Huấn luyện dữ liệu tùy chỉnh 🚀 ĐƯỢC ĐỀ XUẤT: Tìm hiểu cách huấn luyện mô hình YOLOv5 trên bộ dữ liệu tùy chỉnh của bạn.
Mẹo để có kết quả huấn luyện tốt nhất ☘️: Khám phá các mẹo thực tế để tối ưu hóa quy trình huấn luyện mô hình của bạn.
Multi-GPU Training: Tìm 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 được đào tạo trước thông qua PyTorch Hub.
Xuất TFLite, ONNX, CoreML, TensorRT 🚀: Tìm hiểu cách xuất mô hình của bạn sang các định dạng khác nhau.
Tăng cường thời gian kiểm thử (TTA): Khám phá cách sử dụng TTA để cải thiện độ chính xác dự đoán của mô hình của bạn.
Model Ensembling: Tìm hiểu chiến lược kết hợp nhiều mô hình để cải thiện hiệu suất.
Model Pruning/Sparsity: Tìm hiểu các khái niệm về tỉa bớt và độ thưa, đồng thời cách tạo ra một mô hình hiệu quả hơn.
Hyperparameter Evolution: Khám phá quy trình điều chỉnh hyperparameter tự động để có hiệu suất mô hình tốt hơn.
Chuyển giao học tập với các lớp đóng băng: Tìm hiểu cách triển khai chuyển giao học tập bằng cách đóng băng các lớp trong YOLOv5.
Tóm tắt kiến trúc 🌟 Tìm hiểu sâu về các chi tiết cấu trúc của mô hình YOLOv5. Đọc bài đăng trên blog YOLOv5 v6.0 để biết thêm thông tin chi tiết.
Tích hợp ghi log ClearML 🌟 Tìm hiểu cách tích hợp ClearML để ghi log hiệu quả trong quá trình huấn luyện mô hình của bạn.
YOLOv5 với Neural Magic Khám phá cách sử dụng DeepSparse của Neural Magic để tỉa bớt và lượng tử hóa mô hình YOLOv5 của bạn.
Tích hợp ghi log Comet 🌟 MỚI: Khám phá cách sử dụng Comet để cải thiện việc ghi log huấn luyện mô hình.

Môi trường được hỗ trợ

Ultralytics cung cấp một 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 bắt đầu các dự án của bạn. Bạn cũng có thể quản lý các mô hình và tập dữ liệu của mình bằng Ultralytics HUB.

Sổ tay 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 rằng tất cả các thử nghiệm Tích hợp Liên tục (CI) YOLOv5 GitHub Actions đều vượt qua thành công. Các thử nghiệm CI này kiểm tra nghiêm ngặt chức năng và hiệu suất của YOLOv5 trên nhiều khía cạnh chính: huấn luyện, xác thực, suy luận, xuất và điểm chuẩn. Chúng đảm bảo hoạt động nhất quán và đáng tin cậy trên macOS, Windows và Ubuntu, với các thử nghiệm được thực hiện sau mỗi 24 giờ và sau mỗi cam kết mới.

Kết Nối và Đóng Góp

Hành trình của bạn với YOLOv5 không nhất thiết phải đơn độc. 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 các tài nguyên giáo dục trên YouTube. Theo dõi chúng tôi trên TikTok và BiliBili để có thêm nhiều nội dung hấp dẫn.

Bạn muốn đóng góp? Chúng tôi hoan nghênh mọi hình thức đóng góp, từ cải thiện mã và báo cáo lỗi đến cập nhật tài liệu. Xem hướng dẫn đóng góp của chúng tôi để biết thêm thông tin.

Chúng tôi rất hào hứng được thấy những cách sáng tạo mà bạn sẽ sử dụng YOLOv5. Hãy bắt đầu, thử nghiệm và cách mạng hóa các dự án thị giác máy tính của bạn! 🚀

Câu hỏi thường gặp

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, nó rất linh hoạt và thân thiện với người dùng, làm cho nó phù hợp với nhiều dự án thị giác máy tính khác nhau. Các tính năng chính bao gồm suy luận thời gian thực, hỗ trợ nhiều thủ thuật huấn luyện như Tăng cường thời gian kiểm tra (TTA) và Kết hợp mô hình, và khả năng 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 cao dự án của bạn, hãy khám phá hướng dẫn Xuất TFLite, ONNX, CoreML, TensorRT của chúng tôi.

Làm thế nào để huấn luyện một mô hình YOLOv5 tùy chỉnh trên bộ dữ liệu của tôi?

Huấn luyện mô hình YOLOv5 tùy chỉnh trên bộ dữ liệu của bạn bao gồm một vài bước chính. Đầu tiên, chuẩn bị bộ dữ liệu của bạn ở định dạng yêu cầu, được chú thích bằng nhãn. Sau đó, định cấu hình các tham số huấn luyện YOLOv5 và bắt đầu quá trình huấn luyện bằng train.py script. Để có hướng dẫn chuyên sâu về quy trình này, hãy tham khảo Hướng dẫn Huấn luyện Dữ liệu Tùy chỉnh. Nó cung cấp 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 các mô hình như R-CNN do 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 lần, làm cho nó nhanh hơn đáng kể so với phương pháp dựa trên vùng của RCNN, liên quan đến nhiều lần truyền. Ngoài ra, khả năng tích hợp liền mạch của YOLOv5 với nhiều định dạng xuất khác nhau và tài liệu mở rộng làm cho nó trở thành một lựa chọn tuyệt vời cho cả người mới bắt đầu và chuyên gia. Tìm hiểu thêm về các lợi thế kiến trúc trong Tóm tắt kiến trúc của chúng tôi.

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

Tối ưu hóa hiệu suất mô hình YOLOv5 bao gồm điều chỉnh các siêu tham số khác nhau và kết hợp các kỹ thuật như tăng cường dữ liệu và học chuyển giao. Ultralytics cung cấp các tài nguyên toàn diện về phát triển siêu tham số và tỉa thưa/độ thưa thớt để cải thiện hiệu quả của mô hình. Bạn có thể khám phá các mẹo thực tế trong Hướng dẫn các mẹo để có kết quả huấn luyện tốt nhất của chúng tôi, cung cấp những hiểu biết sâu sắc, có thể hành động để đạt được hiệu suất tối ưu trong quá trình 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 GPU notebook miễn phí trên Gradient, Google Colab và Kaggle, cũng như các nền tảng đám mây lớn như Google Cloud, Amazon AWS và Azure. Docker images cũng có sẵn để thiết lập thuận tiện. Để có 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.