Hướng dẫn toàn diện về Ultralytics YOLOv5#
Chào mừng bạn đến với tài liệu hướng dẫn 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 và độ chính xác cao 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 biết các tiến bộ mới nhất.
Được xây dựng trên PyTorch, khung học sâu mạnh mẽ này đã thu hút được sự phổ biến to lớn 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 điểm tinh tế về kiến trúc của mô hình, trình bày các 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 các dự án thị giác máy tính của bạn. Hãy bắt đầu ngay!
Khám 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.
- Huấn luyện dữ liệu tùy chỉnh 🚀 KHUYẾN NGHỊ: Tìm hiểu cách huấn luyện mô hình YOLOv5 trên bộ dữ liệu tùy chỉnh của bạn.
- Mẹo cho kết quả huấn luyện tốt nhất ☘️: Khám phá các mẹo thực tế để tối ưu hóa quá 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 được huấn luyện trước thông qua PyTorch Hub.
- Xuất TFLite, ONNX, CoreML, TensorRT 🚀: Hiểu cách xuất mô hình của bạn sang các định dạng khác nhau.
- Tăng cường thời gian kiểm tra (TTA): Khám phá cách sử dụng TTA để cải thiện độ chính xác dự đoán của mô hình.
- Kết hợp mô hình: Tìm hiểu chiến lược kết hợp nhiều mô hình để cải thiện hiệu suất.
- Tỉa mô hình / Độ thưa: Hiểu các khái niệm về tỉa và độ thưa, và cách tạo ra một mô hình hiệu quả hơn.
- Tiến hóa siêu tham số: Khám phá quá trình tinh chỉnh siêu tham số tự động để có hiệu suất mô hình tốt hơn.
- Học chuyển giao với các lớp đóng băng: Tìm hiểu cách thực hiện học chuyển giao bằng cách đóng băng các lớp trong YOLOv5.
- Tóm tắt kiến trúc 🌟 Đi sâu vào các chi tiết cấu trúc của mô hình YOLOv5. Đọc bài đăng 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 của bạn.
- YOLOv5 với Neural Magic: Khám phá cách sử dụng Neural Magic's DeepSparse để 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.
Các Môi trường được Hỗ trợ#
Ultralytics cung cấp một loạt các môi trường sẵn sàng sử dụng, mỗi môi trường 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.
- Free GPU Notebooks:
- Google Cloud: GCP Quickstart Guide
- Amazon: AWS Quickstart Guide
- Azure: AzureML Quickstart Guide
- Docker: Docker Quickstart Guide
Trạng thái Dự án#
Huy hiệu này cho biết tất cả các bài kiểm tra Tích hợp Liên tục (CI) của YOLOv5 GitHub Actions đã vượt qua thành công. Các bài kiểm tra CI này kiểm tra một cách nghiêm ngặt chức năng và hiệu suất của YOLOv5 qua nhiều khía cạnh quan trọng: training, validation, inference, export và benchmarks. Chúng đảm bảo hoạt động ổn định và đáng tin cậy trên macOS, Windows và Ubuntu, với các bài kiểm tra được thực hiện cứ sau 24 giờ và trên mỗi commit mới.
Kết nối và Đóng góp#
Hành trình của bạn với YOLOv5 không nhất thiết phải cô đơn. Tham gia cộng đồng sôi nổi 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 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 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! 🚀
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, 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 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 đi sâu hơn vào cách Ultralytics YOLOv5 có thể nâng tầm dự án của bạn, hãy khám phá hướng dẫn xuất TFLite, ONNX, CoreML, TensorRT của chúng tôi.
Huấn luyện một 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 ở định dạng được yêu cầu, được chú thích bằng các nhãn. Sau đó, định cấu hình các tham số huấn luyện YOLOv5 và bắt đầu quá trình huấn luyện bằng tập lệnh
train.py. Để có hướng dẫn chi tiết về quá trình này, hãy tham khảo hướng dẫn Huấn luyện dữ liệu tùy chỉnh của chúng tôi. Nó cung cấp các hướng 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 mô hình như R-CNN 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, giúp nó nhanh hơn đáng kể so với phương pháp dựa trên vùng của RCNN, vốn bao gồm nhiều lượt truyền. Ngoài ra, việc tích hợp liền mạch của YOLOv5 với các định dạng xuất khác nhau và tài liệu phong phú làm cho nó trở thành một lựa chọn xuất sắc cho cả người mới bắt đầu và chuyên gia. Tìm hiểu thêm về các ưu điểm kiến trúc trong Tóm tắt kiến trúc của chúng tôi.
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 giao. Ultralytics cung cấp các tài nguyên toàn diện về tiến hóa siêu tham số và tỉa/độ thưa để cải thiện hiệu quả của mô hình. Bạn có thể khám phá các mẹo thực tế trong hướng dẫn Mẹo cho kết quả huấn luyện tốt nhất của chúng tôi, cung cấp những hiểu biết thực tế để đạt được hiệu suất tối ưu trong quá trình huấn luyện.
Ultralytics YOLOv5 hỗ trợ nhiều môi trường khác nhau, bao gồm các sổ tay GPU miễn phí trên Gradient, Google Colab, và Kaggle, cũng như các nền tảng đám mây lớn như Google Cloud, Amazon AWS, và Azure. Hình ảnh Docker cũng có sẵn để thiết lập thuận tiện. Để có hướng dẫn chi tiết về cách thiết lập các môi trường này, hãy kiểm tra phần Môi trường được hỗ trợ của chúng tôi, bao gồm các hướng dẫn từng bước cho từng nền tảng.