Hướng dẫn toàn diện về Ultralytics YOLOv5
Chào mừng bạn đến với Ultralytics' YOLOv5🚀 Tài liệu! YOLOv5 , lần lặp lại thứ năm của "Bạn chỉ nhìn một lần" mang tính cách mạng phát hiện đối tượng mô hình được thiết kế để cung cấp kết quả tốc độ cao, độ chính xác cao theo thời gian thực.
Được xây dựng trên PyTorch , mạnh mẽ này học sâu framework đã đạt được sự phổ biến to lớn vì 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 nhiều trường hợp sử dụng khác nhau và cung cấp một loạt các hướng dẫn chi tiết. Các tài nguyên này sẽ giúp bạn khai thác toàn bộ tiềm năng của YOLOv5 cho bạn tầm nhìn máy tính dự án. Hãy bắt đầu thôi!
Khám phá và học hỏi
Dưới đây là tổng hợp các hướng dẫn toàn diện sẽ hướng dẫn bạn qua các khía cạnh khác nhau của YOLOv5.
- Đào tạo dữ liệu 🚀 tùy chỉnh KHUYẾN NGHỊ: Tìm hiểu cách đào tạo YOLOv5 mô hình trên tập dữ liệu tùy chỉnh của bạn.
- Mẹo để có kết quả ☘️ đào tạo tốt nhất: Khám phá các mẹo thiết thực để tối ưu hóa quy trình đào tạo mô hình của bạn.
- Đa-GPU Đào tạo: Hiểu cách tận dụng nhiều GPU để đẩy nhanh quá trình đào tạo của bạn.
- PyTorch Hub 🌟 NEW: Học cách tải các mô hình được đào tạo trước thông qua PyTorch Trung tâm.
- TFLite, ONNX, CoreML, TensorRT Xuất 🚀 : Hiểu cách xuất mô hình của bạn sang các định dạng khác nhau.
- Tăng thời gian kiểm tra (TTA): Khám phá cách sử dụng TTA để cải thiện độ chính xác dự đoán của mô hình.
- Ghép mô hình: Tìm hiểu chiến lược kết hợp nhiều mô hình để cải thiện hiệu suất.
- Mô hình cắt tỉa / thưa thớt: Hiểu các khái niệm cắt tỉa và thưa thớt, và cách tạo ra một mô hình hiệu quả hơn.
- Sự phát triển của siêu tham số : Khám phá quy trình điều chỉnh siêu tham số 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 Đi sâu vào các chi tiết cấu trúc của YOLOv5 mẫu.
- Roboflow cho Bộ dữ liệu : Hiểu cách sử dụng Roboflow để quản lý tập dữ liệu, dán nhãn và học tập chủ động .
- ClearML Ghi nhật ký 🌟 Tìm hiểu cách tích hợp ClearML để ghi nhật ký hiệu quả trong quá trình đào tạo mô hình của bạn.
- YOLOv5 với Neural Magic Khám phá cách sử dụng Neural Magic's Deepsparse để cắt tỉa và định lượng của bạn YOLOv5 mẫu.
- Comet Ghi nhật ký 🌟 MỚI: Khám phá cách sử dụng Comet để cải thiện ghi nhật ký đào tạo mô hình.
Môi trường được hỗ trợ
Ultralytics Cung cấp một loạt các môi trường sẵn sàng sử dụng, mỗi môi trường được cài đặt sẵn với các phụ thuộc thiết yếu như CUDA, CUDNN,Pythonvà PyTorch, để khởi động các dự án của bạn.
- Tự do GPU Sổ ghi chép:
- Google Đám mây: 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
Tình trạng dự án
Huy hiệu này cho biết rằng tất cả YOLOv5 Các bài kiểm tra Tích hợp liên tục (CI) GitHub Actions đã vượt qua thành công. Các bài kiểm tra CI này kiểm tra nghiêm ngặt chức năng và hiệu suất của YOLOv5 trên các khía cạnh chính khác nhau: đào tạo, xác nhận, suy luận, xuất khẩu và điểm chuẩn. Chúng đảm bảo hoạt động nhất quán và đáng tin cậy trên macOS, Windows và Ubuntu, với các thử nghiệm được tiến hành 24 giờ một lần và theo mỗi cam kết mới.
Kết nối và đóng góp
Hành trình của bạn với YOLOv5 không nhất thiết phải là một người đơn độc. 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 tài nguyên giáo dục trên YouTube. Theo dõi chúng tôi trên TikTok và BiliBili để có nội dung hấp dẫn hơn.
Quan tâm đến việc đóng góp? Chúng tôi hoan nghênh sự đóng góp dưới mọi hình thức; từ cải tiến mã và báo cáo lỗi đến cập nhật tài liệu. Hãy xem nguyên tắc đóng góp của chúng tôi để biết thêm thông tin.
Chúng tôi rất vui khi thấy những cách sáng tạo mà bạn sẽ sử dụng YOLOv5. Đi sâu vào, thử nghiệm và cách mạng hóa các dự án thị giác máy tính của bạn! 🚀
FAQ
Các tính năng chính của là gì Ultralytics YOLOv5?
Ultralytics YOLOv5 được biết đến 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, 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 đào tạo như Test-Time Augmentation (TTA) và Model Ensembling, và khả năng tương thích với các định dạng xuất như TFLite, ONNX , CoreML , Và TensorRT . Để đi sâu hơn vào cách Ultralytics YOLOv5 có thể nâng cao dự án của bạn, hãy khám phá hướng dẫn TFLite, ONNX , CoreML , TensorRT Export của chúng tôi.
Làm thế nào tôi có thể đào tạo một tùy chỉnh YOLOv5 mô hình trên tập dữ liệu của tôi?
Đào tạo một tùy chỉnh YOLOv5 Mô hình trên tập dữ liệu của bạn bao gồm một vài bước chính. Trước tiên, chuẩn bị tập dữ liệu của bạn ở định dạng bắt buộc, được chú thích bằng nhãn. Sau đó, cấu hình YOLOv5 các thông số đào tạo và bắt đầu quá trình đào tạo bằng cách sử dụng train.py kịch bản. Để có hướng dẫn chuyên sâu về quy trình này, hãy tham khảo Hướng dẫn đào tạo 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 so với các mô hình phát hiện đối tượng khác như RCNN?
Ultralytics YOLOv5 được ưa thích hơn các mô hình như RCNN do tốc độ và độ chính xác vượt trội trong việc 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 cách tiếp cận dựa trên khu vực của RCNN, bao gồm nhiều lần truyền. Ngoài ra YOLOv5Tích hợp liền mạch với các định dạng xuất khác nhau và tài liệu phong phú làm cho nó trở thành một lựa chọn tuyệt vời cho cả người mới bắt đầu và các chuyên gia. Tìm hiểu thêm về những lợi thế kiến trúc trong Tóm tắt kiến trúc của chúng tôi.
Làm thế nào tôi có thể tối ưu hóa YOLOv5 Hiệu suất mô hình trong quá trình đào tạo?
Tối ưu hóa YOLOv5 Hiệu suất mô hình liên quan đến việc điều chỉnh nhiều siêu tham số khác nhau và kết hợp các kỹ thuật như tăng cường dữ liệu và học chuyển giao. Ultralytics cung cấp các nguồn tài nguyên toàn diện về quá trình tiến hóa siêu tham số và cắt tỉa/thưa thớt 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 đào tạo tốt nhất của chúng tôi, hướng dẫn này cung cấp thông tin chi tiết có thể thực hiện được để đạt được hiệu suất tối ưu trong quá trình đào tạo.
Những môi trường nào được hỗ trợ để chạy YOLOv5 Ứng dụng?
Ultralytics YOLOv5 Hỗ trợ nhiều môi trường khác nhau, bao gồm cả miễn phí GPU sổ ghi chép trên Gradient, Google Colab, Kaggle, cũng như các nền tảng đám mây lớn như Google Đám mây, Amazon AWS và Azure. Hình ảnh Docker 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 hướng dẫn từng bước cho từng nền tảng.
