Guia Abrangente do Ultralytics YOLOv5

Q: How can I optimize YOLOv5 model performance during training?

A otimização do desempenho do modelo YOLOv5 envolve o ajuste de vários hiperparâmetros e a incorporação de técnicas como aumento de dados e transferência de aprendizado. A Ultralytics fornece recursos abrangentes sobre a evolução de hiperparâmetros e pruning/sparsity para melhorar a eficiência do modelo. Você pode descobrir dicas práticas em nosso guia Dicas para os Melhores Resultados de Treinamento, que oferece insights acionáveis para alcançar o desempenho ideal durante o treinamento.

Bem-vindo à documentação 🚀 do YOLOv5 da Ultralytics! O YOLOv5 da Ultralytics, a quinta iteração do revolucionário modelo de detecção de objetos "You Only Look Once", foi projetado para fornecer resultados de alta velocidade e alta precisão em tempo real. Embora o YOLOv5 continue sendo uma ferramenta poderosa, considere explorar seu sucessor, o YOLOv8 da Ultralytics, para obter os mais recentes avanços.

Construído em PyTorch, esta poderosa estrutura de deep learning tem ganhado imensa popularidade por sua versatilidade, facilidade de uso e alto desempenho. Nossa documentação orienta você através do processo de instalação, explica as nuances arquitetônicas do modelo, apresenta vários casos de uso e fornece uma série de tutoriais detalhados. Esses recursos ajudarão você a aproveitar todo o potencial do YOLOv5 para seus projetos de visão computacional. Vamos começar!

Explore e Aprenda

Aqui está uma compilação de tutoriais abrangentes que o guiarão por diferentes aspectos do YOLOv5.

Treinar Dados Personalizados 🚀 RECOMENDADO: Aprenda como treinar o modelo YOLOv5 em seu conjunto de dados personalizado.
Dicas para os Melhores Resultados de Treinamento ☘️: Descubra dicas práticas para otimizar seu processo de treinamento de modelo.
Treinamento Multi-GPU: Entenda como aproveitar várias GPUs para acelerar seu treinamento.
PyTorch Hub 🌟 NOVO: Aprenda a carregar modelos pré-treinados via PyTorch Hub.
Exportação para TFLite, ONNX, CoreML, TensorRT 🚀: Entenda como exportar seu modelo para diferentes formatos.
Aumento de Dados em Tempo de Teste (TTA): Explore como usar o TTA para melhorar a precisão da previsão do seu modelo.
Model Ensembling: Aprenda a estratégia de combinar vários modelos para um melhor desempenho.
Poda/Esparsidade de Modelo: Entenda os conceitos de poda e esparsidade e como criar um modelo mais eficiente.
Evolução de Hiperparâmetros: Descubra o processo de ajuste automatizado de hiperparâmetros para um melhor desempenho do modelo.
Transfer Learning com Camadas Congeladas: Aprenda como implementar transfer learning congelando camadas no YOLOv5.
Resumo da Arquitetura 🌟 Aprofunde-se nos detalhes estruturais do modelo YOLOv5. Leia a publicação do blog YOLOv5 v6.0 para obter mais informações.
Integração de Registo ClearML 🌟 Aprenda como integrar o ClearML para um registo eficiente durante o treino do seu modelo.
YOLOv5 com Neural Magic: Descubra como usar o DeepSparse da Neural Magic para podar e quantizar o seu modelo YOLOv5.
Integração de Registo Comet 🌟 NOVO: Explore como utilizar o Comet para melhorar o registo do treino do modelo.

Ambientes suportados

A Ultralytics fornece uma variedade de ambientes prontos para uso, cada um pré-instalado com dependências essenciais, como CUDA, CuDNN, Python e PyTorch, para dar o pontapé inicial em seus projetos. Você também pode gerenciar seus modelos e conjuntos de dados usando o Ultralytics HUB.

Notebooks GPU Gratuitos:
Google Cloud: Guia de Início Rápido do GCP
Amazon: Guia de Início Rápido AWS
Azure: Guia de Início Rápido AzureML
Docker: Guia de Início Rápido do Docker

Estado do Projeto

Este selo indica que todos os testes de Integração Contínua (CI) das Ações do GitHub YOLOv5 estão sendo aprovados com sucesso. Esses testes de CI verificam rigorosamente a funcionalidade e o desempenho do YOLOv5 em vários aspectos principais: treinamento, validação, inferência, exportação e benchmarks. Eles garantem uma operação consistente e confiável no macOS, Windows e Ubuntu, com testes realizados a cada 24 horas e a cada novo commit.

Conectar e Contribuir

Sua jornada com YOLOv5 não precisa ser solitária. Junte-se à nossa vibrante comunidade no GitHub, conecte-se com profissionais no LinkedIn, compartilhe seus resultados no Twitter e encontre recursos educacionais no YouTube. Siga-nos no TikTok e BiliBili para obter conteúdo mais interessante.

Tem interesse em contribuir? Agradecemos contribuições de todas as formas, desde melhorias de código e relatórios de bugs até atualizações de documentação. Consulte nossas diretrizes de contribuição para obter mais informações.

Estamos entusiasmados para ver as formas inovadoras como irá utilizar o YOLOv5. Mergulhe, experimente e revolucione os seus projetos de visão computacional! 🚀

FAQ

Quais são as principais características do Ultralytics YOLOv5?

O Ultralytics YOLOv5 é conhecido pelas suas capacidades de detecção de objetos de alta velocidade e alta precisão. Construído em PyTorch, é versátil e fácil de usar, tornando-o adequado para vários projetos de visão computacional. As principais características incluem inferência em tempo real, suporte para vários truques de treino, como Test-Time Augmentation (TTA) e Model Ensembling, e compatibilidade com formatos de exportação como TFLite, ONNX, CoreML e TensorRT. Para se aprofundar em como o Ultralytics YOLOv5 pode elevar o seu projeto, explore o nosso guia de exportação TFLite, ONNX, CoreML, TensorRT.

Como posso treinar um modelo YOLOv5 personalizado no meu conjunto de dados?

Treinar um modelo YOLOv5 personalizado no seu conjunto de dados envolve algumas etapas principais. Primeiro, prepare seu conjunto de dados no formato necessário, anotado com rótulos. Em seguida, configure os parâmetros de treinamento do YOLOv5 e inicie o processo de treinamento usando o train.py script. Para um tutorial detalhado sobre este processo, consulte a nossa Guia de Treinamento de Dados Personalizados. Fornece instruções passo a passo para garantir resultados ótimos para o seu caso de uso específico.

Por que devo usar Ultralytics YOLOv5 em vez de outros modelos de detecção de objetos como o RCNN?

O Ultralytics YOLOv5 é preferido em relação a modelos como o R-CNN devido à sua velocidade e precisão superiores na detecção de objetos em tempo real. O YOLOv5 processa a imagem inteira de uma só vez, tornando-o significativamente mais rápido em comparação com a abordagem baseada em regiões do RCNN, que envolve múltiplas passagens. Além disso, a integração perfeita do YOLOv5 com vários formatos de exportação e a extensa documentação o tornam uma excelente escolha para iniciantes e profissionais. Saiba mais sobre as vantagens arquitetônicas em nosso Resumo da Arquitetura.

Como posso otimizar o desempenho do modelo YOLOv5 durante o treinamento?

Otimizar o desempenho do modelo YOLOv5 envolve ajustar vários hiperparâmetros e incorporar técnicas como aumento de dados e aprendizado por transferência. A Ultralytics fornece recursos abrangentes sobre evolução de hiperparâmetros e poda/esparsidade para melhorar a eficiência do modelo. Você pode descobrir dicas práticas em nosso guia de Dicas para Melhores Resultados de Treinamento, que oferece insights acionáveis para alcançar o desempenho ideal durante o treinamento.

Quais ambientes são suportados para executar aplicações YOLOv5?

O Ultralytics YOLOv5 suporta uma variedade de ambientes, incluindo notebooks GPU gratuitos no Gradient, Google Colab e Kaggle, bem como as principais plataformas de nuvem, como Google Cloud, Amazon AWS e Azure. As imagens Docker também estão disponíveis para uma configuração conveniente. Para um guia detalhado sobre como configurar esses ambientes, consulte a nossa seção Ambientes Suportados, que inclui instruções passo a passo para cada plataforma.