Hướng dẫn toàn diện về Ultralytics YOLOv5
Chào mừng 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
Sau 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 🚀 ĐƯỢC 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 thực tế để tối ưu hóa quy trình đào tạo mô hình của bạn.
- Đào tạo nhiều GPU : Hiểu cách tận dụng nhiều GPU để đẩy nhanh quá trình đào tạo của bạn.
- PyTorch Hub 🌟 MỚI: Học cách tải các mô hình được đào tạo trước qua PyTorch Trục.
- TFLite, ONNX , CoreML , TensorRT Export 🚀: Hiểu cách xuất mô hình của bạn sang các định dạng khác nhau.
- Tăng cường thời gian thử nghiệm (TTA) : Khám phá cách sử dụng TTA để cải thiện độ chính xác dự đoán của mô hình.
- Tổng hợp mô hình : Tìm hiểu chiến lược kết hợp nhiều mô hình để cải thiện hiệu suất.
- Cắt tỉa/Thưa thớt mô hình : Hiểu các khái niệm về cắt tỉa và thưa thớt, cũng như 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 🌟 Khám phá các chi tiết cấu trúc của YOLOv5 người mẫu.
- Roboflow cho Bộ dữ liệu : Hiểu cách sử dụng Roboflow để quản lý tập dữ liệu, dán nhãn và học tập chủ động .
- Ghi nhật ký ClearML 🌟 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 lượng tử hóa YOLOv5 người mẫu.
- Ghi Comet sao chổi 🌟 MỚI: Khám phá cách sử dụng Comet để cải thiện việc ghi nhật ký đào tạo mô hình.
Môi trường được hỗ trợ
Ultralytics cung cấp nhiều môi trường sẵn sàng sử dụng, mỗi môi trường đều được cài đặt sẵn các thành phần phụ thuộc cần thiết như CUDA , CUDNN , Python và PyTorch để khởi động dự án của bạn.
- Miễn phí GPU Sổ tay:
- Google Cloud : Hướng dẫn bắt đầu nhanh GCP
- Amazon : Hướng dẫn bắt đầu nhanh AWS
- Azure : Hướng dẫn bắt đầu nhanh AzureML
- Người lái tàu: Hướng dẫn khởi động nhanh Docker
Tình trạng dự án
Huy hiệu này cho biết tất cả các thử nghiệm Tích hợp liên tục (CI) YOLOv5 GitHub Actions đều vượt qua thành công. Các thử nghiệm CI này kiểm tra nghiêm ngặt chức năng và hiệu suất của YOLOv5 trên nhiều khía cạnh chính: đào tạo , xác thực , suy luận , xuất và chuẩn . Chúng đảm bảo hoạt động nhất quán và đáng tin cậy trên macOS, Windows và Ubuntu, với các bài kiểm tra được tiến hành sau mỗi 24 giờ và sau mỗi lần cam kết mới.
Kết nối và đóng góp
Hành trình của bạn với YOLOv5 không nhất thiết phải là một người 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 nguồn tài nguyên giáo dục trên YouTube . Theo dõi chúng tôi trên TikTok và BiliBili để biết thêm nội dung hấp dẫn.
Bạn có muốn đóng góp không? Chúng tôi hoan nghênh mọi đóng góp dưới mọi hình thức; từ cải tiến mã 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 vui mừng khi thấy những cách sáng tạo mà bạn sẽ sử dụng YOLOv5 . Hãy tham gia, thử nghiệm và cách mạng hóa các dự án thị giác máy tính của bạn! 🚀
CÂU HỎI THƯỜNG GẶP
Những đặc điểm 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 phong tục YOLOv5 mô hình trên tập dữ liệu của bạn bao gồm một vài bước chính. Đầu tiên, chuẩn bị tập dữ liệu của bạn theo định dạng bắt buộc, được chú thích bằng nhãn. Sau đó, cấu hình YOLOv5 tham 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 về Dữ liệu tùy chỉnh của tàu. 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 chuộng hơn các mô hình như RCNN do 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 lần, làm cho nó nhanh hơn đáng kể so với phương pháp dựa trên vùng của RCNN, bao gồm nhiều lần xử lý. Ngoài ra, YOLOv5 Tích hợp liền mạch với nhiều định dạng xuất khác nhau và tài liệu hướng dẫn mở rộng khiến đây trở thành lựa chọn tuyệt vời cho cả người mới bắt đầu và chuyên gia. Tìm hiểu thêm về các lợi thế về 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 tay về Gradient, Google Colab, Kaggle cũng như các nền tảng đám mây lớn như Google Cloud, Amazon AWS và Azure. Docker images 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, trong đó có hướng dẫn từng bước cho từng nền tảng.
