Ultralytics YOLO27:

Hướng dẫn toàn diện về Ultralytics YOLOv5#

Chào mừng bạn đến với tài liệu Ultralytics YOLOv5🚀! Ultralytics YOLOv5, phiên bản thứ năm của model phát hiện đối tượng mang tính cách mạng "You Only Look Once", được thiết kế để cung cấp 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 các phiên bản kế nhiệm là Ultralytics YOLOv8, YOLO11 và YOLO26 để trải nghiệm 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 của chúng tôi 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 tutorial 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. Hãy bắt đầu!

Khám phá và học hỏi#

Dưới đây là tuyển tập các tutorial toàn diện, hướng dẫn bạn qua nhiều khía cạnh khác nhau của YOLOv5.

Môi trường được hỗ trợ#

Ultralytics cung cấp nhiều môi trường sẵn sàng sử dụng, mỗi môi trường đều được cài đặt sẵn các dependency thiết yếu như CUDA, CuDNN, Python và PyTorch để khởi động các dự án của bạn. 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 các bài kiểm thử GitHub Actions của YOLOv5 về Tích hợp liên tục (CI) đều đã vượt qua thành công. Các bài kiểm thử CI này kiểm tra nghiêm ngặt chức năng và hiệu năng của YOLOv5 trên nhiều khía cạnh quan trọng: huấn luyện, validation, suy luận, export và benchmark. Chúng đảm bảo hoạt động nhất quán và đáng tin cậy trên macOS, Windows và Ubuntu, với các bài kiểm thử 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. Hãy tham gia cộng đồng sôi nổi của chúng tôi trên GitHub, kết nối với các chuyên gia trên LinkedIn, chia sẻ kết quả trên Twitter và tìm kiếm tài nguyên giáo dục 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 thiện code và báo cáo bug đến cập nhật tài liệu. Hãy xem hướng dẫn đóng góp để biết thêm thông tin.

Chúng tôi rất háo hức được chứng kiến những cách sáng tạo mà bạn sẽ sử dụng YOLOv5. Hãy bắt tay vào làm, thử nghiệm và cách mạng hóa các dự án thị giác máy tính của bạn! 🚀

FAQ#

  • 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 suy luận thời gian thực, hỗ trợ nhiều kỹ thuật huấn luyện như Tăng cường tại thời điểm kiểm thử (TTA) và Ensembling model, cùng khả năng tương thích với các format export như TFLite, ONNX, CoreML và TensorRT. Để tìm hiểu sâu hơn về cách Ultralytics YOLOv5 có thể nâng cao 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 vài bước chính. Trước tiên, hãy chuẩn bị dataset theo format 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 tutorial chuyên sâu về quy trình này, hãy tham khảo hướng dẫn Huấn luyện dữ liệu tùy chỉnh của chúng tôi. 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 việc phát hiện đối tượng thời gian thực. YOLOv5 xử lý toàn bộ hình ảnh trong một lần, nhanh hơn đáng kể so với phương pháp dựa trên vùng của RCNN, vốn cần thực hiện nhiều lượt xử lý. Ngoài ra, khả năng tích hợp liền mạch với nhiều format export và tài liệu phong phú của YOLOv5 khiến đây trở thành lựa chọn tuyệt vời cho cả người mới bắt đầu lẫn chuyên gia. Tìm hiểu thêm về các ưu điểm kiến trúc trong Tóm tắt kiến trúc của chúng tôi.

  • Tối ưu hiệu năng model YOLOv5 bao gồm việc tuning nhiều hyperparameter và áp dụng các kỹ thuật như tăng cường dữ liệu và transfer learning. Ultralytics cung cấp các tài nguyên toàn diện về tiến hóa hyperparameter và pruning/độ thưa để cải thiện hiệu quả của model. Bạn có thể tìm thấy các mẹo thực tiễn trong hướng dẫn Mẹo để đạt kết quả huấn luyện tốt nhất, cung cấp các đề xuất thiết thực để đạt hiệu năng tối ưu trong quá trình huấn luyện.

  • Ultralytics YOLOv5 hỗ trợ nhiều môi trường khác nhau, 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. Docker image cũng có sẵn để thiết lập thuận tiện. Để xem hướng dẫn chi tiết về cách thiết lập các môi trường này, hãy tham khảo phần Môi trường được hỗ trợ, trong đó có hướng dẫn từng bước cho từng nền tảng.

Những người đóng góp
GLglenn-jocher29RAraimbekovm3PDpderrenger3JKjk4e1RIRizwanMunawar1LAlakshanthad1BUBurhan-Q1

Bình luận