综合指南Ultralytics YOLOv5
欢迎访问Ultralytics' YOLOv5🚀 文档！YOLOv5，革命性的 "你只看一次 "的第五次迭代 物体检测 模型，旨在实时提供高速、高精度的结果。
基于PyTorch ，这个功能强大的 深度学习 该框架因其多功能性、易用性和高性能而广受欢迎。我们的文档可指导您完成安装过程，解释模型在架构上的细微差别，展示各种使用案例，并提供一系列详细的教程。这些资源将帮助您充分发挥YOLOv5 的潜力，为您的业务服务。 计算机视觉 项目。让我们开始吧！
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。
- 超参数进化：探索自动超参数调整过程，以提高模型性能。
- 使用冻结层进行迁移学习：了解如何在YOLOv5 中通过冻结层实现迁移学习。
- 架构摘要🌟 深入了解YOLOv5 模型的结构细节。
- Roboflow 数据集：了解如何利用Roboflow 进行数据集管理、标记和主动学习。
- 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 以其高速、高精度的目标检测能力而闻名。它基于 PyTorch的基础上开发的，它用途广泛、用户友好，适用于各种计算机视觉项目。其主要功能包括实时推理、支持多种训练技巧（如测试时间增强（TTA）和模型组装）以及兼容 TFLite、ONNX 、CoreML 和TensorRT 等导出格式。要深入了解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？
YOLOv5 Ultralytics 提供了有关超参数演化和剪枝/稀疏性的全面资源，以提高模型效率。您可以在我们的《获得最佳训练结果的技巧》指南中找到实用技巧，该指南提供了在训练过程中实现最佳性能的可行见解。
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、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。
