Meet YOLO26: next-gen vision AI.

Ultralytics YOLOv5 v7.0 banner 

<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>

Link to this sectionHướng dẫn toàn diện về Ultralytics YOLOv5#

Chào mừng bạn đến với tài liệu Ultralytics YOLOv5🚀! Ultralytics YOLOv5, thế hệ 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 có độ chính xác cao và tốc độ nhanh trong thời gian thực. Trong khi YOLOv5 vẫn là một công cụ mạnh mẽ, hãy cân nhắc khám phá các phiên bản kế nhiệm của nó, Ultralytics YOLOv8, YOLO11, và YOLO26, để có được những cải tiến mới nhất.

Được xây dựng trên 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 quy 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 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 bạn. Hãy cùng bắt đầu!

Link to this sectionKhám phá và Học hỏi#

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

Link to this sectionCác 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 khởi động các 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.

Link to this sectionTrạng thái Dự án#

YOLOv5 CI

Huy hiệu này cho biết tất cả các bài kiểm tra Tích hợp liên tục (CI) của YOLOv5 GitHub Actions đều đã vượt qua thành công. Các bài kiểm tra 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 model và benchmarks. Chúng đảm bảo hoạt động nhất quán và đáng tin cậy trên macOS, Windows và Ubuntu, với các bài kiểm tra được thực hiện mỗi 24 giờ và sau mỗi commit mới.


Ultralytics GitHub Ultralytics LinkedIn Ultralytics Twitter Ultralytics YouTube Ultralytics TikTok Ultralytics BiliBili Ultralytics Discord

Link to this sectionKết 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 nội dung hấp dẫn.

Bạn quan tâm đến việc đóng góp? Chúng tôi hoan nghênh mọi hình thức đóng góp, từ cải tiến mã nguồn và báo cáo lỗi cho đến cập nhật tài liệu. Hãy xem hướng dẫn 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 đầu, thử nghiệm và cách mạng hóa các dự án thị giác máy tính của bạn! 🚀

Link to this sectionCâu hỏi thường gặp#

Link to this sectionCác 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 linh hoạt và thân thiện với người dùng, phù hợp cho nhiều dự án thị giác máy tính khác nhau. Các tính năng chính bao gồm suy luận theo thời gian thực, hỗ trợ nhiều thủ thuật huấn luyện như Tăng cường dữ liệu khi dự đoán (TTA) và Kết hợp mô hình (Ensembling), cũng như 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 sang TFLite, ONNX, CoreML, TensorRT.

Link to this sectionLàm thế nào để tôi có thể huấn luyện một mô hình YOLOv5 tùy chỉnh trên tập dữ liệu của mình?#

Việc huấn luyện một mô hình YOLOv5 tùy chỉnh trên tập dữ liệu của bạn bao gồm một vài bước chính. Trước tiên, hãy chuẩn bị tập dữ liệu của bạn theo định dạng yêu cầu, được gắn nhãn chú thích. 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 bài hướng dẫn chuyên sâu về quy trình này, hãy tham khảo Hướng dẫn huấn luyện trên 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.

Link to this sectionTại 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 nhờ tốc độ và độ chính xác vượt trội trong việc phát hiện đối tượng theo thời gian thực. YOLOv5 xử lý toàn bộ hình ảnh trong một lượt, giúp nó nhanh hơn đáng kể so với phương pháp tiếp cận dựa trên vùng của RCNN, vốn đòi hỏi nhiều lượt xử lý. 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 những ưu điểm kiến trúc trong Tóm tắt kiến trúc của chúng tôi.

Link to this sectionLàm thế nào để tôi có thể tối ưu hóa hiệu suất mô hình YOLOv5 trong quá trình huấn luyện?#

Việc tối ưu hóa hiệu suất mô hình YOLOv5 bao gồm việc tinh chỉnh nhiều siêu tham số khác nhau và kết hợp các kỹ thuật như tăng cường dữ liệu và học chuyển đổi. Ultralytics cung cấp các tài nguyên toàn diện về tiến hóa siêu tham số và cắt tỉa/độ thưa để cải thiện hiệu quả của mô hình. Bạn có thể khám phá các mẹo thực tế trong Hướng dẫn mẹo để có kết quả huấn luyện tốt nhất, cung cấp những hiểu biết có thể áp dụng để đạt được hiệu suất tối ưu trong quá trình huấn luyện.

Link to this sectionNhững 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, bao gồm các hướng dẫn từng bước cho từng nền tảng.

Người đóng góp
GLglenn-jocher26PDpderrenger2RAraimbekovm1JKjk4e1RIRizwanMunawar1LAlakshanthad1BUBurhan-Q1

Bình luận