综合指南Ultralytics YOLOv5
欢迎访问Ultralytics' YOLOv5🚀 文档!YOLOv5是革命性的 "只看一次 "对象检测模型的第五次迭代,旨在实时提供高速、高精度的结果。
这个强大的深度学习框架基于PyTorch ,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。这些资源将帮助您在计算机视觉项目中充分发挥YOLOv5 的潜力。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 GPU 加速培训。
- 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。
- NVIDIA Jetson 平台部署🌟 新内容:了解如何在 NVIDIA Jetson 平台上部署您的YOLOv5 模型。
- 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 中通过冻结图层实现迁移学习。
- 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CUDA、CUDNN、 Python和 PyTorch等基本依赖项,以启动您的项目。
- 免费 GPU 笔记本:
- 谷歌云: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Instagram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!🚀