综合指南Ultralytics YOLOv5
欢迎访问Ultralytics' YOLOv5🚀 Documentation! YOLOv5, the fifth iteration of the revolutionary "You Only Look Once" object detection model, is designed to deliver high-speed, high-accuracy results in real-time.
Built on PyTorch, this powerful deep learning 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 projects. Let's get started!
探索与学习
以下是综合教程汇编，将指导您了解YOLOv5.NET 的各个方面。
- 训练自定义数据🚀 建议：了解如何在自定义数据集上训练YOLOv5 模型。
- 获得最佳训练结果的技巧☘️：了解优化模型训练过程的实用技巧。
- 多GPU 培训：了解如何利用多个 GPU 来加快培训。
- PyTorch Hub🌟 新功能：通过PyTorch Hub 学习加载预训练模型。
- TFLite,ONNX,CoreML,TensorRT Export🚀：了解如何将模型导出为不同格式。
- 测试时间增强 (TTA)：探索如何使用 TTA 提高模型的预测准确性。
- 模型组合：学习组合多个模型以提高性能的策略。
- 模型剪枝/稀疏性：了解剪枝和稀疏性概念，以及如何创建更高效的模型。
- 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.
- 架构摘要🌟 深入了解YOLOv5 模型的结构细节。
- Roboflow for Datasets: Understand how to utilize Roboflow for dataset management, labeling, and active learning.
- ClearML 记录🌟 了解如何集成ClearML ，以便在模型训练期间高效记录。
- YOLOv5 Neural Magic了解如何使用Neural Magic的Deepsparse 对 模型进行剪裁和量化。YOLOv5
- Comet 记录🌟 新内容：探索如何利用Comet 改进模型训练记录。
支持的环境
Ultralytics 提供了一系列随时可用的环境，每个环境都预装了基本的依赖项，如 CUDA、CUDNN、 Python和 PyTorch等基本依赖项，以便启动您的项目。
- 免费GPU 笔记本:
- Google 云计算 GCP 快速入门指南
- 亚马逊 AWS 快速入门指南
- Azure.AzureML 快速入门指南AzureML 快速入门指南
- Docker: Docker 快速入门指南
项目现状
此徽章表示YOLOv5 GitHub Actions 的所有持续集成（CI）测试均已成功通过。这些 CI 测试严格检查了YOLOv5 在训练、验证、推理、导出和基准等多个关键方面的功能和性能。它们确保在 macOS、Windows 和 Ubuntu 上运行的一致性和可靠性，每 24 小时和每次新提交时都会进行一次测试。
联系和贡献
使用YOLOv5 的过程并不孤单。在GitHub 上加入我们充满活力的社区，在LinkedIn 上与专业人士交流，在Twitter 上分享您的成果，在YouTube 上查找教育资源。在TikTok和BiliBili上关注我们，获取更多精彩内容。
有兴趣贡献自己的力量吗？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，了解更多信息。
我们很高兴看到您将以创新的方式使用YOLOv5 。请投入其中，进行实验，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 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.
如何在数据集上训练自定义YOLOv5 模型？
在数据集上训练自定义YOLOv5 模型需要几个关键步骤。首先，按照要求的格式准备数据集，并标注标签。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 培训自定义数据指南.它提供了逐步指导，以确保在特定使用情况下取得最佳效果。
为什么要使用Ultralytics YOLOv5 而不是 RCNN 等其他物体检测模型？
Ultralytics YOLOv5 与 RCNN 等模型相比，YOLOv5 更受青睐，因为它在实时物体检测方面速度更快，精度更高。与 RCNN 基于区域的方法相比， 一次性处理整个图像，速度明显更快。此外，YOLOv5 与各种导出格式的无缝集成和丰富的文档使其成为初学者和专业人士的绝佳选择。更多有关架构优势的信息，请参阅我们的架构摘要。
如何在训练过程中优化YOLOv5 模型的性能？
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.
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、Kaggle 上的免费GPU 笔记本，以及Google Cloud、Amazon AWS 和 Azure 等主要云平台。为了方便设置，还提供了 Docker 映像。有关设置这些环境的详细指南，请查看我们的 "支持的环境"部分，其中包括每个平台的分步说明。
