Hướng dẫn toàn diện về Ultralytics YOLOv5

Q: What are the key features of Ultralytics YOLOv5?

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 rất linh hoạt và thân thiện với người dùng, làm cho nó phù hợp với các 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 Tăng cường thời gian thử nghiệm (TTA) và Tập hợp mô hình và khả năng tương thích với các định dạng xuất như TFLite, ONNX, CoreMLvà TensorRT. Để tìm hiểu sâu hơn về cách thức Ultralytics YOLOv5 có thể nâng cao dự án của bạn, khám phá TFLite của chúng tôi, ONNX, CoreML, TensorRT Hướng dẫn xuất.

Q: How can I optimize YOLOv5 model performance during training?

Tối ưu hóa YOLOv5 Hiệu suất mô hình liên quan đến việc điều 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 tài nguyên toàn diện về sự phát triển siêu tham số và cắt tỉa / thưa thớt để cải thiện hiệu quả mô hình. Bạn có thể khám phá những lời khuyên thiết thực trong hướng dẫn Mẹo cho Kết quả Đào tạo Tốt nhất của chúng tôi, trong đó cung cấp thông tin chi tiết hữu ích để đạt được hiệu suất tối ưu trong quá trình đào tạo.

Chào mừng bạn đến với Ultralytics' YOLOv5🚀 Documentation! YOLOv5, the fifth iteration of the revolutionary "You Only Look Once" [object detection](https://www.ultralytics.com/glossary/object-detection) model, is designed to deliver high-speed, high-accuracy results in real-time.

Built on PyTorch, this powerful [deep learning](https://www.ultralytics.com/glossary/deep-learning-dl) framework has garnered immense popularity for its versatility, ease of use, and high performance. Our documentation guides you through the installation process, explains the architectural nuances of the model, showcases various use-cases, and provides a series of detailed tutorials. These resources will help you harness the full potential of YOLOv5 for your [computer vision](https://www.ultralytics.com/glossary/computer-vision-cv) projects. Let's get started!

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.
Hyperparameter Evolution: Discover the process of automated hyperparameter tuning for better model performance.
Transfer Learning with Frozen Layers: Learn how to implement transfer learning by freezing layers in YOLOv5.
Tóm tắt 🌟 kiến trúc Đi sâu vào các chi tiết cấu trúc của YOLOv5 mẫu.
Roboflow for Datasets: Understand how to utilize Roboflow for dataset management, labeling, and active learning.
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 is renowned for its high-speed and high-accuracy object detection capabilities. Built on PyTorch, it is versatile and user-friendly, making it suitable for various computer vision projects. Key features include real-time inference, support for multiple training tricks like Test-Time Augmentation (TTA) and Model Ensembling, and compatibility with export formats such as TFLite, ONNX, CoreML, and TensorRT. To delve deeper into how Ultralytics YOLOv5 can elevate your project, explore our TFLite, ONNX, CoreML, TensorRT Export guide.

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?

Optimizing YOLOv5 model performance involves tuning various hyperparameters and incorporating techniques like data augmentation and transfer learning. Ultralytics provides comprehensive resources on hyperparameter evolution and pruning/sparsity to improve model efficiency. You can discover practical tips in our Tips for Best Training Results guide, which offers actionable insights for achieving optimal performance during training.

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.

📅 Created 11 months ago ✏️ Updated 9 days ago