Ultralytics YOLO27:
Get Started

Hướng dẫn toàn diện về Ultralytics YOLOv5#

Chào mừng bạn đến với tài liệu YOLOv5 🚀 của Ultralytics! Ultralytics YOLOv5, phiên bản thứ năm của model phát hiện đối tượng "You Only Look Once" mang tính cách mạng, được thiết kế để mang lại kết quả nhanh và chính xác theo thời gian thực. YOLOv5 vẫn là một công cụ mạnh mẽ, nhưng bạn cũng có thể khám phá các phiên bản kế nhiệm là Ultralytics YOLOv8, YOLO11 và YOLO26 để tìm hiểu những cải tiến mới nhất.

Được xây dựng trên PyTorch, framework deep learning mạnh mẽ này đã trở nên vô cùng phổ biến nhờ tính linh hoạt, dễ sử dụng và hiệu năng cao. Tài liệu hướng dẫn bạn qua quy trình cài đặt, giải thích các đặc điểm kiến trúc của model, giới thiệu nhiều trường hợp sử dụng và cung cấp một loạt hướng dẫn chi tiết. Những tài nguyên này sẽ giúp bạn khai thác tối đa tiềm năng của YOLOv5 trong các dự án thị giác máy tính. Bắt đầu thôi!

Khám phá và tìm hiểu#

Dưới đây là tập hợp các hướng dẫn toàn diện giúp bạn tìm hiểu nhiều khía cạnh khác nhau của YOLOv5.

Môi trường được hỗ trợ#

Ultralytics cung cấp nhiều môi trường sẵn sàng sử dụng, được cài đặt sẵn các dependency thiết yếu như CUDA, CuDNN, Python và PyTorch để bạn nhanh chóng bắt đầu dự án. Bạn cũng có thể quản lý model và dataset bằng Ultralytics Platform.

Trạng thái dự án#

YOLOv5 CI

Huy hiệu này cho biết tất cả bài kiểm thử Continuous Integration (CI) của GitHub Actions cho YOLOv5 đều đã chạy thành công. Các bài kiểm thử CI này kiểm tra nghiêm ngặt chức năng và hiệu năng của YOLOv5 trên nhiều khía cạnh chính: huấn luyện, validation, inference, export và benchmark. Các bài kiểm thử đảm bảo hoạt động nhất quán và đáng tin cậy trên macOS, Windows và Ubuntu; chúng 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

Kết nối và đóng góp#

Hành trình của bạn với YOLOv5 không nhất thiết phải 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 trên Twitter và tìm tài nguyên đào tạo trên YouTube. Theo dõi chúng tôi trên TikTok và BiliBili để xem thêm nội dung hấp dẫn.

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

Chúng tôi rất mong chờ được thấy những cách sáng tạo mà bạn sẽ sử dụng YOLOv5. Hãy bắt đầu, thử nghiệm và tạo bước đột phá cho các dự án thị giác máy tính của bạn! 🚀

Câu hỏi thường gặp#

  • Ultralytics YOLOv5 nổi tiếng với khả năng phát hiện đối tượng tốc độ cao và độ chính xác cao. Được xây dựng trên PyTorch, model này linh hoạt và thân thiện với người dùng, phù hợp với nhiều dự án thị giác máy tính. Các tính năng chính bao gồm inference thời gian thực, hỗ trợ các kỹ thuật inference như tăng cường dữ liệu trong quá trình kiểm thử (TTA) và kết hợp model, cùng khả năng tương thích với các định dạng export như TFLite, ONNX, CoreML và TensorRT. Để tìm hiểu sâu hơn cách Ultralytics YOLOv5 có thể nâng tầm dự án của bạn, hãy xem hướng dẫn export sang TFLite, ONNX, CoreML, TensorRT.

  • Việc huấn luyện model YOLOv5 tùy chỉnh trên dataset của bạn gồm một số bước chính. Trước tiên, chuẩn bị dataset theo định dạng yêu cầu và gắn nhãn. Sau đó, cấu hình các tham số huấn luyện YOLOv5 và bắt đầu quá trình huấn luyện bằng script train.py. Để xem hướng dẫn chi tiết về quy trình này, hãy tham khảo hướng dẫn Huấn luyện với dữ liệu tùy chỉnh. Hướng dẫn cung cấp chỉ dẫn từng bước để đảm bảo kết quả tối ưu cho trường hợp sử dụng cụ thể của bạn.

  • Ultralytics YOLOv5 được ưu tiên hơn các model 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 chỉ trong một lần, nhanh hơn đáng kể so với cách tiếp cận dựa trên vùng của RCNN, vốn cần thực hiện nhiều lượt xử lý. Ngoài ra, khả năng tích hợp liền mạch của YOLOv5 với nhiều định dạng export và tài liệu phong phú khiến model này trở thành lựa chọn tuyệt vời cho cả người mới bắt đầu lẫn chuyên gia. Tìm hiểu thêm về ưu điểm kiến trúc trong Tóm tắt kiến trúc của chúng tôi.

  • Tối ưu hiệu năng model YOLOv5 đòi hỏi tinh chỉnh nhiều siêu tham số và áp dụng các kỹ thuật như tăng cường dữ liệu và transfer learning. Ultralytics cung cấp tài nguyên toàn diện về tiến hóa siêu tham số và cắt tỉa/độ thưa để cải thiện hiệu quả model. Bạn có thể tìm hiểu các mẹo thực tế trong hướng dẫn Mẹo để đạt kết quả huấn luyện tốt nhất, với những đề xuất hữu ích giúp đạt hiệu năng tối ưu trong quá trình huấn luyện.

  • Ultralytics YOLOv5 hỗ trợ nhiều môi trường, bao gồm notebook GPU miễn phí trên Gradient, Google Colab và Kaggle, cũng như các nền tảng cloud lớn như Google Cloud, Amazon AWS và Azure. Ngoài ra còn có Docker image để thiết lập thuận tiện. Để xem hướng dẫn chi tiết về cách thiết lập các môi trường này, hãy xem mục Môi trường được hỗ trợ, trong đó có chỉ dẫn từng bước cho từng nền tảng.

Người đóng góp
GLglenn-jocher30RAraimbekovm3PDpderrenger3JKjk4e1RIRizwanMunawar1LAlakshanthad1BUBurhan-Q1

Bình luận