Guide complet pour Ultralytics YOLOv5
Bienvenue sur le site Ultralytics YOLOv5🚀 Documentation ! Ultralytics YOLOv5, la cinquième itération du modèle révolutionnaire de détection d'objets "You Only Look Once", est conçu pour fournir des résultats rapides et très précis en temps réel. YOLOv5 reste un outil puissant, mais il est préférable d'explorer son successeur, Ultralytics YOLOv8pour bénéficier des dernières avancées.
Construit sur PyTorchce puissant framework d'apprentissage profond a gagné une immense popularité pour sa polyvalence, sa facilité d'utilisation et ses hautes performances. Notre documentation vous guide tout au long du processus d'installation, explique les nuances architecturales du modèle, présente divers cas d'utilisation et fournit une série de tutoriels détaillés. Ces ressources vous aideront à exploiter tout le potentiel de YOLOv5 pour vos projets de vision par ordinateur. C'est parti !
Explorer et apprendre
Voici une compilation de tutoriels complets qui vous guideront à travers les différents aspects de YOLOv5.
- Entraîner les données personnalisées 🚀 RECOMMANDÉ : Apprenez à entraîner le modèle YOLOv5 sur votre ensemble de données personnalisé.
- Conseils pour obtenir les meilleurs résultats de formation ☘️ : Découvrez des conseils pratiques pour optimiser votre processus de formation aux modèles.
- Formation multi-GPU : Comprenez comment exploiter plusieurs GPU pour accélérer votre formation.
- PyTorch Hub 🌟 NOUVEAU : Apprendre à charger des modèles pré-entraînés via PyTorch Hub.
- TFLite, ONNX, CoreML, TensorRT Export 🚀 : Comprendre comment exporter votre modèle dans différents formats.
- Augmentation du temps d'essai (TTA): Découvrez comment utiliser la TTA pour améliorer la précision des prédictions de votre modèle.
- Assemblage de modèles: Apprenez la stratégie qui consiste à combiner plusieurs modèles pour améliorer les performances.
- Élagage du modèle et éparpillement: Comprendre les concepts d'élagage et d'éparpillement, et comment créer un modèle plus efficace.
- Évolution des hyperparamètres: Découvrez le processus d'ajustement automatisé des hyperparamètres pour améliorer les performances des modèles.
- Apprentissage par transfert avec des couches gelées: Apprenez à mettre en œuvre l'apprentissage par transfert en gelant des couches dans YOLOv5.
- Résumé de l'architecture 🌟 Découvrez les détails structurels du modèle YOLOv5 . Lisez l'article de blogYOLOv5 v6.0 pour en savoir plus.
- ClearML Logging Integration 🌟 Apprendre à l'intégrer ClearML pour une journalisation efficace pendant l'apprentissage de votre modèle.
- YOLOv5 avec Neural Magic Découvrez comment utiliser DeepSparse deNeural Magic pour élaguer et quantifier votre modèle YOLOv5 .
- Comet Logging Integration 🌟 NOUVEAU : Découvrez comment utiliser Comet pour améliorer l'enregistrement de l'entraînement au modèle.
Environnements pris en charge
Ultralytics fournit une gamme d'environnements prêts à l'emploi, chacun préinstallé avec des dépendances essentielles telles que CUDACuDNN, Pythonet PyTorchpour lancer vos projets. Vous pouvez également gérer vos modèles et vos ensembles de données à l'aide d'Ultralytics HUB.
- Carnets de notes gratuits GPU:
- Google Cloud: Guide de démarrage rapide GCP
- Amazon: Guide de démarrage rapide AWS
- Azure: Guide de démarrage rapide AzureML
- Docker: Guide de démarrage rapide de Docker
État d'avancement du projet
Ce badge indique que tous les tests d'intégration continue (CI) deYOLOv5 GitHub Actions ont été passés avec succès. Ces tests d'intégration continue vérifient rigoureusement la fonctionnalité et les performances de YOLOv5 sur différents aspects clés : formation, validation, inférence, exportation et tests de référence. Ils garantissent un fonctionnement cohérent et fiable sur macOS, Windows et Ubuntu, avec des tests effectués toutes les 24 heures et à chaque nouveau commit.
Se connecter et contribuer
Votre voyage avec YOLOv5 ne doit pas être un voyage solitaire. Rejoignez notre communauté dynamique sur GitHub, connectez-vous avec des professionnels sur LinkedIn, partagez vos résultats sur Twitter et trouvez des ressources éducatives sur YouTube. Suivez-nous sur TikTok et BiliBili pour plus de contenu engageant.
Vous souhaitez apporter votre contribution ? Toutes les formes de contribution sont les bienvenues, qu'il s'agisse d'améliorations du code, de rapports de bogues ou de mises à jour de la documentation. Pour plus d'informations, consultez nos lignes directrices en matière de contribution.
Nous sommes impatients de voir les façons innovantes dont vous utiliserez YOLOv5. Plongez, expérimentez et révolutionnez vos projets de vision par ordinateur ! 🚀
FAQ
Quelles sont les principales caractéristiques de Ultralytics YOLOv5 ?
Ultralytics YOLOv5 est réputé pour ses capacités de détection d'objets à grande vitesse et avec une grande précision. Construit sur PyTorchil est polyvalent et convivial, ce qui le rend adapté à divers projets de vision par ordinateur. Ses principales caractéristiques sont l'inférence en temps réel, la prise en charge de plusieurs méthodes d'entraînement telles que l'augmentation test-temps (TTA) et l'assemblage de modèles, et la compatibilité avec des formats d'exportation tels que TFLite, ONNX, CoreML, et TensorRT. Pour découvrir comment Ultralytics YOLOv5 peut améliorer votre projet, consultez notre guide d'exportation TFLite, ONNX, CoreML, TensorRT .
Comment puis-je entraîner un modèle YOLOv5 personnalisé sur mon ensemble de données ?
L'entraînement d'un modèle YOLOv5 personnalisé sur votre ensemble de données implique quelques étapes clés. Tout d'abord, préparez votre jeu de données dans le format requis, annoté avec des étiquettes. Ensuite, configurez les paramètres d'apprentissage de YOLOv5 et démarrez le processus d'apprentissage à l'aide de la fonction train.py script. Pour un tutoriel approfondi sur ce processus, consultez notre site web Former le guide des données personnalisées. Il fournit des instructions étape par étape afin de garantir des résultats optimaux pour votre cas d'utilisation spécifique.
Pourquoi utiliser Ultralytics YOLOv5 plutôt que d'autres modèles de détection d'objets comme RCNN ?
Ultralytics YOLOv5 est préféré à des modèles comme le R-CNN en raison de sa vitesse et de sa précision supérieures dans la détection d'objets en temps réel. YOLOv5 traite l'ensemble de l'image en une seule fois, ce qui le rend nettement plus rapide que l'approche par région du RCNN, qui implique plusieurs passages. En outre, l'intégration transparente de YOLOv5 avec différents formats d'exportation et sa documentation complète en font un excellent choix pour les débutants comme pour les professionnels. Pour en savoir plus sur les avantages architecturaux, consultez notre résumé de l'architecture.
Comment puis-je optimiser les performances du modèle YOLOv5 pendant la formation ?
L'optimisation des performances du modèle YOLOv5 implique le réglage de divers hyperparamètres et l'incorporation de techniques telles que l'augmentation des données et l'apprentissage par transfert. Ultralytics fournit des ressources complètes sur l'évolution des hyperparamètres et l'élagage/sparsité pour améliorer l'efficacité du modèle. Vous pouvez découvrir des astuces pratiques dans notre guide Tips for Best Training Results, qui offre des conseils pratiques pour atteindre des performances optimales pendant la formation.
Quels sont les environnements pris en charge pour l'exécution des applications YOLOv5 ?
Ultralytics YOLOv5 prend en charge une variété d'environnements, y compris les notebooks GPU gratuits sur Gradient, Google Colab, et Kaggle, ainsi que les principales plateformes cloud comme Google Cloud, Amazon AWS, et Azure. Des images Docker sont également disponibles pour faciliter l'installation. Pour obtenir un guide détaillé sur la configuration de ces environnements, consultez notre section Environnements pris en charge, qui comprend des instructions étape par étape pour chaque plateforme.
