Ultralytics YOLOv5 综合指南
欢迎来到 Ultralytics YOLOv5🚀 文档！Ultralytics YOLOv5 是革命性的“You Only Look Once”目标检测模型的第五次迭代，旨在实时提供高速、高精度的结果。虽然 YOLOv5 仍然是一个强大的工具，但请考虑探索它的继任者 Ultralytics YOLOv8，以获得最新的进展。
建立在 PyTorch 之上，这个强大的 深度学习 框架因其多功能性、易用性和高性能而广受欢迎。 我们的文档将指导您完成安装过程，解释模型的架构细微之处，展示各种用例，并提供一系列详细的教程。 这些资源将帮助您充分利用 YOLOv5 在 计算机视觉 项目中的潜力。 让我们开始吧！
探索与学习
这是一个综合教程汇编，将指导您了解 YOLOv5 的不同方面。
- 训练自定义数据 🚀 推荐：了解如何在您的自定义数据集上训练 YOLOv5 模型。
- 获得最佳训练结果的技巧 ☘️：发现优化模型训练过程的实用技巧。
- 多 GPU 训练 (Multi-GPU Training)：了解如何利用多个 GPU 来加速训练。
- PyTorch Hub 🌟 NEW：了解如何通过 PyTorch Hub 加载预训练模型。
- TFLite、ONNX、CoreML、TensorRT 导出 🚀：了解如何将您的模型导出为不同的格式。
- 测试时增强 (TTA)：了解如何使用 TTA 来提高模型的预测准确性。
- 模型集成 (Model Ensembling)：学习组合多个模型以提高性能的策略。
- 模型剪枝/稀疏性 (Model Pruning/Sparsity)：了解剪枝和稀疏性概念，以及如何创建更高效的模型。
- 超参数进化：了解自动超参数调整的过程，以获得更好的模型性能。
- 使用冻结层进行迁移学习：了解如何通过冻结 YOLOv5 中的层来实现迁移学习。
- 架构概要 🌟 深入研究 YOLOv5 模型的结构详情。阅读 YOLOv5 v6.0 博客文章 以获取更多见解。
- ClearML 日志记录集成 🌟 了解如何集成 ClearML 以在模型训练期间进行有效的日志记录。
- 带有Neural Magic的YOLOv5 了解如何使用Neural Magic的DeepSparse来剪枝和量化您的YOLOv5模型。
- Comet Logging Integration 🌟 NEW：探索如何利用 Comet 来改进模型训练日志记录。
支持的环境
Ultralytics 提供了一系列即用型环境，每个环境都预装了必要的依赖项，例如 CUDA、CuDNN、Python 和 PyTorch，以快速启动您的项目。您还可以使用 Ultralytics HUB 管理您的模型和数据集。
- 免费 GPU Notebooks:
- Google Cloud：GCP 快速入门指南
- Amazon：AWS 快速入门指南
- Azure：AzureML 快速入门指南
- Docker: Docker 快速入门指南
项目状态
此徽章表示所有 YOLOv5 GitHub Actions 持续集成 (CI) 测试均已成功通过。这些 CI 测试严格检查 YOLOv5 在各个关键方面的功能和性能：训练、验证、推理、导出 和 基准测试。它们确保在 macOS、Windows 和 Ubuntu 上运行的一致性和可靠性，测试每 24 小时进行一次，并在每次提交新内容时进行。
连接与贡献
您使用 YOLOv5 的旅程不必是孤单的。加入我们在 GitHub 上的活跃社区，与 LinkedIn 上的专业人士联系，在 Twitter 上分享您的结果，并在 YouTube 上查找教育资源。在 TikTok 和 BiliBili 上关注我们，获取更多引人入胜的内容。
有兴趣参与贡献吗？我们欢迎各种形式的贡献，从代码改进和错误报告到文档更新。请查看我们的贡献指南以获取更多信息。
我们很高兴看到您使用 YOLOv5 的创新方式。深入研究、实验并彻底改变您的计算机视觉项目！🚀
常见问题
Ultralytics YOLOv5 的主要特点是什么？
Ultralytics YOLOv5 以其高速和高精度目标检测功能而闻名。它基于 PyTorch 构建，用途广泛且用户友好，使其适用于各种计算机视觉项目。主要功能包括实时推理、支持多种训练技巧（如测试时增强 (TTA) 和模型集成）以及与 TFLite、ONNX、CoreML 和 TensorRT 等导出格式的兼容性。要更深入地了解 Ultralytics YOLOv5 如何提升您的项目，请浏览我们的TFLite、ONNX、CoreML、TensorRT 导出指南。
如何在我的数据集上训练自定义 YOLOv5 模型？
在您自己的数据集上训练自定义 YOLOv5 模型包括几个关键步骤。首先，准备所需格式并使用标签进行注释的数据集。然后，配置 YOLOv5 训练参数，并使用 train.py 脚本。有关此过程的深入教程，请查阅我们的 训练自定义数据指南。它提供了逐步指导，以确保为您的特定用例获得最佳结果。
与其他目标检测模型（如 RCNN）相比，我为什么要使用 Ultralytics YOLOv5？
由于 Ultralytics YOLOv5 在实时目标检测中具有卓越的速度和准确性，因此它比 R-CNN 等模型更受欢迎。YOLOv5 一次性处理整个图像，与 RCNN 基于区域的方法（涉及多次传递）相比，速度明显更快。此外，YOLOv5 与各种导出格式的无缝集成以及广泛的文档使其成为初学者和专业人士的绝佳选择。请在我们的架构总结中了解更多关于架构优势的信息。
如何在训练期间优化 YOLOv5 模型性能？
优化 YOLOv5 模型性能包括调整各种超参数，并结合数据增强和迁移学习等技术。Ultralytics 提供了关于超参数进化和剪枝/稀疏化的全面资源，以提高模型效率。您可以在我们的最佳训练结果技巧指南中找到实用技巧，该指南提供了在训练期间实现最佳性能的可操作见解。
运行 YOLOv5 应用程序支持哪些环境？
Ultralytics YOLOv5 支持多种环境，包括 Gradient、Google Colab 和 Kaggle 上的免费 GPU Notebook，以及 Google Cloud、Amazon AWS 和 Azure 等主要云平台。还提供 Docker 镜像，方便设置。有关设置这些环境的详细指南，请查看我们的 Supported Environments 部分，其中包含每个平台的逐步说明。
