Ultralytics YOLOv5 综合指南
欢迎来到Ultralytics的YOLOv5🚀文档！YOLOv5，革命性的“You Only Look Once”[目标检测](https://www.ultralytics.com/glossary/object-detection)模型的第五次迭代，旨在实时提供高速、高精度的结果。
基于PyTorch构建，这个强大的[深度学习](https://www.ultralytics.com/glossary/deep-learning-dl)框架因其多功能性、易用性和高性能而广受欢迎。我们的文档将引导您完成安装过程，解释模型的架构细节，展示各种用例，并提供一系列详细的教程。这些资源将帮助您充分发挥YOLOv5在您的[计算机视觉](https://www.ultralytics.com/glossary/computer-vision-cv)项目中的潜力。让我们开始吧！
探索与学习
以下是全面教程的汇编，将引导您了解YOLOv5的不同方面。
- 训练自定义数据 🚀 推荐：学习如何在您的自定义数据集上训练YOLOv5模型。
- 最佳训练结果的技巧 ☘️：揭示优化模型训练过程的实用技巧。
- 多GPU训练：了解如何利用多个GPU加速您的训练。
- PyTorch Hub 🌟 新：学习通过PyTorch Hub加载预训练模型。
- TFLite, ONNX, CoreML, TensorRT 导出 🚀：了解如何将您的模型导出为不同格式。
- 测试时增强 (TTA)：探索如何使用TTA提高模型的预测准确性。
- 模型集成：学习结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：发现自动化超参数调优以提高模型性能的过程。
- 冻结层的迁移学习：学习如何在YOLOv5中通过冻结层实现迁移学习。
- 架构概述 🌟 深入了解YOLOv5模型的结构细节。
- Roboflow 用于数据集：了解如何利用Roboflow进行数据集管理、标注和主动学习。
- ClearML 日志记录 🌟 学习如何在模型训练期间集成ClearML进行高效日志记录。
- YOLOv5 与 Neural Magic 发现如何使用Neural Magic的Deepsparse对YOLOv5模型进行剪枝和量化。
- Comet 日志记录 🌟 新：探索如何利用Comet进行改进的模型训练日志记录。
支持的环境
Ultralytics 提供了一系列开箱即用的环境，每个环境都预装了必要的依赖项，如 CUDA、CUDNN、Python 和 PyTorch，以快速启动您的项目。
- 免费GPU笔记本:
- Google Cloud: GCP快速入门指南
- Amazon: AWS快速入门指南
- Azure: AzureML快速入门指南
- Docker: Docker快速入门指南
项目状态
此徽章表示所有 YOLOv5 GitHub Actions 持续集成（CI）测试均成功通过。这些CI测试严格检查YOLOv5在各个关键方面的功能和性能：训练、验证、推理、导出 和 基准测试。它们确保在macOS、Windows和Ubuntu上的一致性和可靠操作，测试每24小时进行一次，并在每次新提交时进行。
联系与贡献
您与YOLOv5的旅程不必是孤独的。加入我们在 GitHub 上的活跃社区，与 LinkedIn 上的专业人士联系，在 Twitter 上分享您的成果，并在 YouTube 上找到教育资源。关注我们在 TikTok 和 BiliBili 上的更多精彩内容。 感兴趣于贡献？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。查看我们的贡献指南了解更多信息。
我们很高兴看到你将如何创新地使用YOLOv5。深入探索，进行实验，并革新你的计算机视觉项目！🚀
常见问题
Ultralytics YOLOv5的关键特性是什么？
Ultralytics YOLOv5以其高速和高准确性的目标检测能力而闻名。基于PyTorch构建，它具有多功能性和用户友好性，适用于各种计算机视觉项目。主要特性包括实时推理、支持多种训练技巧如测试时间增强（TTA）和模型集成，以及兼容TFLite、ONNX、CoreML和TensorRT等导出格式。要深入了解Ultralytics YOLOv5如何提升你的项目，请探索我们的TFLite、ONNX、CoreML、TensorRT导出指南。
如何在我的数据集上训练自定义的YOLOv5模型？
在你的数据集上训练自定义YOLOv5模型涉及几个关键步骤。首先，以所需格式准备你的数据集，并进行标注。然后，配置YOLOv5训练参数，并使用train.py脚本开始训练过程。有关此过程的深入教程，请参阅我们的训练自定义数据指南。它提供了逐步指导，以确保为你的特定用例获得最佳结果。
为什么我应该使用Ultralytics YOLOv5而不是其他目标检测模型如RCNN？
Ultralytics YOLOv5优于RCNN等模型，因为它在实时目标检测中具有卓越的速度和准确性。YOLOv5一次性处理整个图像，使其比基于区域的RCNN方法（涉及多次处理）显著更快。此外，YOLOv5与各种导出格式的无缝集成及其广泛的文档使其成为初学者和专业人士的绝佳选择。在我们的架构概述中了解更多关于架构优势的信息。
如何在训练期间优化YOLOv5模型的性能？
优化YOLOv5模型性能涉及调整各种超参数并结合数据增强和迁移学习等技术。Ultralytics提供了关于超参数进化和剪枝/稀疏性的全面资源，以提高模型效率。你可以在我们的最佳训练结果指南中发现实用技巧，该指南提供了在训练期间实现最佳性能的可操作见解。
哪些环境支持运行YOLOv5应用程序？
Ultralytics YOLOv5支持多种环境，包括Gradient上的免费GPU笔记本、Google Colab、Kaggle，以及Google Cloud、Amazon AWS和Azure等主要云平台。还提供了Docker镜像以方便设置。有关设置这些环境的详细指南，请查看我们的支持的环境部分，其中包含每个平台的逐步说明。
