Ultralytics YOLOv5 için Kapsamlı Kılavuz

Ultralytics YOLOv5🚀 Belgelerine hoş geldiniz! Devrim niteliğindeki "You Only Look Once" nesne algılama modelinin beşinci yinelemesi olan Ultralytics YOLOv5, gerçek zamanlı olarak yüksek hızlı, yüksek doğruluklu sonuçlar sunmak için tasarlanmıştır. YOLOv5 güçlü bir araç olmaya devam ederken, en son gelişmeler için halefi olan Ultralytics YOLOv8'i keşfetmeyi düşünün.

PyTorch üzerine kurulu bu güçlü derin öğrenme çerçevesi, çok yönlülüğü, kullanım kolaylığı ve yüksek performansı sayesinde büyük bir popülerlik kazanmıştır. Belgelerimiz sizi kurulum sürecinde yönlendirir, modelin mimari nüanslarını açıklar, çeşitli kullanım örneklerini sergiler ve bir dizi ayrıntılı eğitim sunar. Bu kaynaklar, bilgisayarlı görü projeleriniz için YOLOv5'in tüm potansiyelinden yararlanmanıza yardımcı olacaktır. Hadi başlayalım!

Keşfet ve Öğren

İşte YOLOv5'in farklı yönleri konusunda size rehberlik edecek kapsamlı eğitimlerin bir derlemesi.

Özel Verileri Eğitin 🚀 ÖNERİLİR: YOLOv5 modelini özel veri kümeniz üzerinde nasıl eğiteceğinizi öğrenin.
En İyi Eğitim Sonuçları için İpuçları ☘️: Model eğitim sürecinizi optimize etmek için pratik ipuçlarını keşfedin.
Çoklu-GPU Eğitimi: Eğitiminizi hızlandırmak için birden çok GPU'dan nasıl yararlanacağınızı anlayın.
PyTorch Hub 🌟 YENİ: PyTorch Hub aracılığıyla önceden eğitilmiş modelleri yüklemeyi öğrenin.
TFLite, ONNX, CoreML, TensorRT Dışa Aktarma 🚀: Modelinizi farklı formatlara nasıl aktaracağınızı anlayın.
Test Zamanı Artırma (TTA): Modelinizin tahmin doğruluğunu artırmak için TTA'yı nasıl kullanacağınızı keşfedin.
Model Birleştirme: Gelişmiş performans için birden çok modeli birleştirme stratejisini öğrenin.
Model Budama/Seyreklik: Budama ve seyreklik kavramlarını ve nasıl daha verimli bir model oluşturulacağını anlayın.
Hiperparametre Evrimi: Daha iyi model performansı için otomatik hiperparametre ayarlama sürecini keşfedin.
Dondurulmuş Katmanlarla Transfer Öğrenimi: YOLOv5'te katmanları dondurarak transfer öğrenimini nasıl uygulayacağınızı öğrenin.
Mimari Özeti 🌟 YOLOv5 modelinin yapısal ayrıntılarına dalın. Daha fazla bilgi için YOLOv5 v6.0 blog gönderisini okuyun.
ClearML Kayıt Entegrasyonu 🌟 Model eğitiminiz sırasında verimli kayıt için ClearML'i nasıl entegre edeceğinizi öğrenin.
Neural Magic ile YOLOv5 YOLOv5 modelinizi budamak ve nicelendirmek için Neural Magic'in DeepSparse'ını nasıl kullanacağınızı keşfedin.
Comet Kayıt Entegrasyonu 🌟 YENİ: Gelişmiş model eğitimi kaydı için Comet'i nasıl kullanacağınızı keşfedin.

Desteklenen Ortamlar

Ultralytics, projelerinize başlamanız için CUDA, CuDNN, Python ve PyTorch gibi temel bağımlılıkların önceden yüklendiği bir dizi kullanıma hazır ortam sağlar. Ayrıca, Ultralytics HUB kullanarak modellerinizi ve veri kümelerinizi yönetebilirsiniz.

Ücretsiz GPU Not Defterleri:
Google Cloud: GCP Hızlı Başlangıç Kılavuzu
Amazon: AWS Hızlı Başlangıç Kılavuzu
Azure: AzureML Hızlı Başlangıç Kılavuzu
Docker: Docker Hızlı Başlangıç Kılavuzu

Proje Durumu

Bu rozet, tüm YOLOv5 GitHub Actions Sürekli Entegrasyon (CI) testlerinin başarıyla geçtiğini gösterir. Bu CI testleri, YOLOv5'in işlevselliğini ve performansını çeşitli temel açılardan titizlikle kontrol eder: eğitim, doğrulama, çıkarım, dışa aktarma ve kıyaslamalar. macOS, Windows ve Ubuntu'da tutarlı ve güvenilir çalışmayı sağlarlar; testler her 24 saatte bir ve her yeni commit'te yapılır.

Bağlanın ve Katkıda Bulunun

YOLOv5 ile yolculuğunuz yalnız olmak zorunda değil. GitHub'daki canlı topluluğumuza katılın, LinkedIn'de profesyonellerle bağlantı kurun, Twitter'da sonuçlarınızı paylaşın ve YouTube'da eğitim kaynakları bulun. Daha ilgi çekici içerikler için bizi TikTok ve BiliBili'de takip edin.

Katkıda bulunmak ister misiniz? Kod iyileştirmelerinden ve hata raporlarından dokümantasyon güncellemelerine kadar her türlü katkıyı memnuniyetle karşılıyoruz. Daha fazla bilgi için katkıda bulunma yönergelerimize göz atın.

YOLOv5'i kullanacağınız yenilikçi yolları görmek için heyecanlıyız. Dalın, deneyler yapın ve bilgisayar görüşü projelerinizde devrim yaratın! 🚀

SSS

Ultralytics YOLOv5'in temel özellikleri nelerdir?

Ultralytics YOLOv5, yüksek hızlı ve yüksek doğrulukta nesne algılama yetenekleriyle ünlüdür. PyTorch üzerine inşa edilmiştir, çok yönlüdür ve kullanıcı dostudur, bu da onu çeşitli bilgisayarla görme projeleri için uygun hale getirir. Temel özellikler arasında gerçek zamanlı çıkarım, Test Zamanı Artırma (TTA) ve Model Topluluğu gibi birden çok eğitim hilesi için destek ve TFLite, ONNX, CoreML ve TensorRT gibi dışa aktarma formatlarıyla uyumluluk bulunur. Ultralytics YOLOv5'in projenizi nasıl yükseltebileceğini daha derinlemesine incelemek için TFLite, ONNX, CoreML, TensorRT Dışa Aktarma kılavuzumuzu keşfedin.

Veri kümem üzerinde özel bir YOLOv5 modelini nasıl eğitebilirim?

Veri kümeniz üzerinde özel bir YOLOv5 modelini eğitmek birkaç temel adım içerir. İlk olarak, veri kümenizi gerekli biçimde, etiketlerle birlikte hazırlayın. Ardından, YOLOv5 eğitim parametrelerini yapılandırın ve kullanarak eğitim sürecini başlatın. train.py komut dosyası. Bu süreçle ilgili ayrıntılı bir eğitim için şuraya bakın: Özel Veri Eğitimi kılavuzu. Belirli kullanım durumunuz için en iyi sonuçları elde etmenizi sağlamak için adım adım talimatlar sağlar.

Neden RCNN gibi diğer nesne algılama modelleri yerine Ultralytics YOLOv5 kullanmalıyım?

Ultralytics YOLOv5, gerçek zamanlı nesne algılamada üstün hızı ve doğruluğu nedeniyle R-CNN gibi modellere tercih edilir. YOLOv5, tüm görüntüyü tek seferde işler, bu da onu birden çok geçiş içeren RCNN'nin bölge tabanlı yaklaşımına kıyasla önemli ölçüde daha hızlı hale getirir. Ek olarak, YOLOv5'in çeşitli dışa aktarma formatlarıyla sorunsuz entegrasyonu ve kapsamlı belgeleri, onu hem yeni başlayanlar hem de profesyoneller için mükemmel bir seçim haline getirir. Mimari Özeti'mizde mimari avantajlar hakkında daha fazla bilgi edinin.

Eğitim sırasında YOLOv5 model performansını nasıl optimize edebilirim?

YOLOv5 model performansını optimize etmek, çeşitli hiperparametreleri ayarlamayı ve veri artırma ve transfer öğrenimi gibi teknikleri dahil etmeyi içerir. Ultralytics, model verimliliğini artırmak için hiperparametre evrimi ve budama/seyreklik hakkında kapsamlı kaynaklar sağlar. Eğitim sırasında optimum performans elde etmek için uygulanabilir içgörüler sunan En İyi Eğitim Sonuçları için İpuçları kılavuzumuzda pratik ipuçları keşfedebilirsiniz.

YOLOv5 uygulamalarını çalıştırmak için hangi ortamlar desteklenir?

Ultralytics YOLOv5, Gradient, Google Colab ve Kaggle'daki ücretsiz GPU not defterleri ile Google Cloud, Amazon AWS ve Azure gibi büyük bulut platformları dahil olmak üzere çeşitli ortamları destekler. Kolay kurulum için Docker görselleri de mevcuttur. Bu ortamları kurma hakkında ayrıntılı bir kılavuz için, her platform için adım adım talimatlar içeren Desteklenen Ortamlar bölümümüzü inceleyin.