Umfassender Leitfaden für Ultralytics YOLOv5
Willkommen bei der Ultralytics YOLOv5🚀-Dokumentation! Ultralytics YOLOv5, die fünfte Iteration des revolutionären "You Only Look Once" Objekterkennungsmodells, wurde entwickelt, um hochgeschwindigkeits- und hochpräzise Ergebnisse in Echtzeit zu liefern. Während YOLOv5 ein leistungsstarkes Werkzeug bleibt, sollten Sie seinen Nachfolger, Ultralytics YOLOv8, für die neuesten Fortschritte in Betracht ziehen.
Aufbauend auf PyTorch hat dieses leistungsstarke Deep-Learning-Framework aufgrund seiner Vielseitigkeit, Benutzerfreundlichkeit und hohen Leistung immense Popularität erlangt. Unsere Dokumentation führt Sie durch den Installationsprozess, erläutert die architektonischen Nuancen des Modells, zeigt verschiedene Anwendungsfälle auf und bietet eine Reihe detaillierter Tutorials. Diese Ressourcen helfen Ihnen, das volle Potenzial von YOLOv5 für Ihre Computer Vision-Projekte auszuschöpfen. Los geht's!
Erforschen und Lernen
Hier finden Sie eine Zusammenstellung umfassender Tutorials, die Sie durch verschiedene Aspekte von YOLOv5 führen.
- Trainieren von benutzerdefinierten Daten 🚀 EMPFOHLEN: Erfahren Sie, wie Sie das Modell YOLOv5 auf Ihrem benutzerdefinierten Datensatz trainieren können.
- Tipps für beste Trainingsergebnisse ☘️: Entdecken Sie praktische Tipps zur Optimierung Ihres Modellschulungsprozesses.
- Multi-GPU Ausbildung: Verstehen Sie, wie Sie mehrere GPUs nutzen können, um Ihr Training zu beschleunigen.
- PyTorch Hub 🌟 NEU: Lernen Sie, vortrainierte Modelle über PyTorch Hub zu laden.
- TFLite, ONNX, CoreML, TensorRT Exportieren 🚀: Verstehen Sie, wie Sie Ihr Modell in verschiedene Formate exportieren können.
- Test-Time Augmentation (TTA): Erfahren Sie, wie Sie mit TTA die Vorhersagegenauigkeit Ihres Modells verbessern können.
- Model Ensembling: Lernen Sie die Strategie der Kombination mehrerer Modelle zur Verbesserung der Leistung kennen.
- Modellbeschneidung/Sparsity: Verstehen von Pruning- und Sparsity-Konzepten und wie man ein effizienteres Modell erstellt.
- Hyperparameter-Evolution: Entdecken Sie den Prozess der automatischen Abstimmung der Hyperparameter zur Verbesserung der Modellleistung.
- Transfer Learning mit eingefrorenen Ebenen: Lernen Sie, wie man Transfer Learning durch Einfrieren von Ebenen in YOLOv5 implementiert.
- Architekturübersicht 🌟 Vertiefen Sie sich in die strukturellen Details des YOLOv5-Modells. Lesen Sie den YOLOv5 v6.0 Blog-Post für weitere Einblicke.
- ClearML Logging Integration 🌟 Erfahren Sie, wie Sie ClearML für eine effiziente Protokollierung während Ihres Modelltrainings integrieren können.
- YOLOv5 with Neural Magic Entdecken Sie, wie Sie Neural Magic's DeepSparse verwenden können, um Ihr YOLOv5-Modell zu beschneiden und zu quantisieren.
- Comet Logging Integration 🌟 NEU: Entdecken Sie, wie Sie Comet für eine verbesserte Protokollierung des Modelltrainings nutzen können.
Unterstützte Umgebungen
Ultralytics bietet eine Reihe von sofort einsatzbereiten Umgebungen, die jeweils mit wesentlichen Abhängigkeiten wie CUDA, CuDNN, Python und PyTorch vorinstalliert sind, um Ihre Projekte zu starten. Sie können Ihre Modelle und Datensätze auch mit Ultralytics HUB verwalten.
- Kostenlose GPU Notizbücher:
- Google Wolke: GCP-Schnellstart-Anleitung
- Amazon: AWS Schnellstart-Anleitung
- Azure: AzureML-Schnellstart-Anleitung
- Docker: Docker-Schnellstart-Anleitung
Projektstatus
Dieses Abzeichen zeigt an, dass alle YOLOv5 GitHub Actions Continuous Integration (CI) Tests erfolgreich bestanden wurden. Diese CI-Tests überprüfen die Funktionalität und Leistung von YOLOv5 in verschiedenen Schlüsselbereichen: Training, Validierung, Inferenz, Export und Benchmarks. Sie gewährleisten einen konsistenten und zuverlässigen Betrieb unter macOS, Windows und Ubuntu, wobei die Tests alle 24 Stunden und bei jeder neuen Übertragung durchgeführt werden.
Verbinden und beitragen
Ihre Reise mit YOLOv5 muss keine einsame Reise sein. Schließen Sie sich unserer lebhaften Gemeinschaft auf GitHub an, vernetzen Sie sich mit Fachleuten auf LinkedIn, teilen Sie Ihre Ergebnisse auf Twitter und finden Sie Bildungsressourcen auf YouTube. Folgen Sie uns auf TikTok und BiliBili für weitere interessante Inhalte.
Möchten Sie mitwirken? Wir freuen uns über Beiträge aller Art, von Code-Verbesserungen und Fehlerberichten bis hin zu Aktualisierungen der Dokumentation. Weitere Informationen finden Sie in unseren Richtlinien für Mitwirkende.
Wir sind gespannt auf die innovativen Möglichkeiten, die Sie mit YOLOv5 nutzen werden. Tauchen Sie ein, experimentieren Sie und revolutionieren Sie Ihre Computer-Vision-Projekte! 🚀
FAQ
Was sind die wichtigsten Merkmale von Ultralytics YOLOv5 ?
Ultralytics YOLOv5 ist bekannt für seine Hochgeschwindigkeits- und hochpräzisen Objekterkennungsfunktionen. Aufgebaut auf PyTorchbasiert, ist es vielseitig und benutzerfreundlich und eignet sich daher für verschiedene Computer-Vision-Projekte. Zu den wichtigsten Funktionen gehören Echtzeit-Inferenz, Unterstützung für mehrere Trainingstricks wie Test-Time Augmentation (TTA) und Model Ensembling sowie Kompatibilität mit Exportformaten wie TFLite, ONNX, CoreML und TensorRT. Wenn Sie mehr darüber erfahren möchten, wie Ultralytics YOLOv5 Ihr Projekt verbessern kann, lesen Sie unseren TFLite, ONNX, CoreML, TensorRT Exportleitfaden.
Wie kann ich ein benutzerdefiniertes YOLOv5 Modell auf meinem Datensatz trainieren?
Das Training eines benutzerdefinierten YOLOv5 Modells auf Ihrem Datensatz umfasst einige wichtige Schritte. Zunächst bereiten Sie Ihren Datensatz im gewünschten Format vor und versehen ihn mit Beschriftungen. Dann konfigurieren Sie die Trainingsparameter von YOLOv5 und starten den Trainingsprozess mit der Funktion train.py Skript. Eine ausführliche Anleitung zu diesem Verfahren finden Sie in unserem Leitfaden für benutzerdefinierte Daten im Zug. Es enthält schrittweise Anleitungen, um optimale Ergebnisse für Ihren speziellen Anwendungsfall zu gewährleisten.
Warum sollte ich Ultralytics YOLOv5 gegenüber anderen Objekterkennungsmodellen wie RCNN verwenden?
Ultralytics YOLOv5 wird aufgrund seiner überlegenen Geschwindigkeit und Genauigkeit bei der Objekterkennung in Echtzeit gegenüber Modellen wie R-CNN bevorzugt. YOLOv5 verarbeitet das gesamte Bild in einem Durchgang und ist damit wesentlich schneller als der regionenbasierte Ansatz von RCNN, der mehrere Durchgänge erfordert. Die nahtlose Integration von YOLOv5 in verschiedene Exportformate und die ausführliche Dokumentation machen YOLOv5 zu einer ausgezeichneten Wahl sowohl für Anfänger als auch für Profis. Erfahren Sie mehr über die architektonischen Vorteile in unserer Architekturübersicht.
Wie kann ich die Leistung des Modells YOLOv5 während des Trainings optimieren?
Die Optimierung der YOLOv5 umfasst die Abstimmung verschiedener Hyperparameter und die Einbeziehung von Techniken wie Datenerweiterung und Transferlernen. Ultralytics bietet umfassende Ressourcen für die Entwicklung von Hyperparametern und Pruning/Sparity zur Verbesserung der Modelleffizienz. Praktische Tipps finden Sie in unserem Leitfaden Tipps für beste Trainingsergebnisse, der umsetzbare Erkenntnisse zur Erzielung einer optimalen Leistung während des Trainings bietet.
Welche Umgebungen werden für die Ausführung von YOLOv5 Anwendungen unterstützt?
Ultralytics YOLOv5 unterstützt eine Vielzahl von Umgebungen, darunter kostenlose GPU-Notebooks auf Gradient, Google Colab und Kaggle sowie große Cloud-Plattformen wie Google Cloud, Amazon AWS und Azure. Docker-Images sind ebenfalls für eine bequeme Einrichtung verfügbar. Eine detaillierte Anleitung zur Einrichtung dieser Umgebungen finden Sie in unserem Abschnitt Unterstützte Umgebungen, der Schritt-für-Schritt-Anleitungen für jede Plattform enthält.
