YOLOv5作为目前增长最快的AI项目之一，已经在GitHub上获得了广泛的应用。为了进一步支持使用YOLOv5的用户，与Ultralytics建立了更深层次的合作关系。通过这种合作，目标是简化计算机视觉的开发流程，让开发者能够将更多的时间投入到他们特定的问题上，而不是机器学习的细节和计算机视觉的基础设施上。
为了实现这一目标，发布了一个关于如何在自定义数据上训练YOLOv5的指南。这个指南提供了如何使用Roboflow和YOLOv5的新集成功能，通过Roboflow的YouTube频道提供了教程。这种更紧密的集成意味着Roboflow Python包与YOLOv5的训练和推理脚本之间的联系更加紧密，使得可以使用公共数据集启动项目，无缝地训练自定义模型，并通过采样现实世界的数据并将其添加回数据集进行迭代训练，从而持续提高性能。
大多数计算机视觉研究都集中在模型在COCO数据集上的表现上。这为比较模型在标准化条件下的表现提供了一个很好的基准，但对于最终用户来说，模型在实际数据集上的易用性和准确性更为重要。旨在弥合研究与工程之间的差距，这也是Ultralytics和YOLOv5一直强调的，计划为YOLOv5仓库贡献代码，以进一步提高自定义训练的性能，并减少实际用例的摩擦。
要尝试新的变更，请查看新的YOLOv5自定义训练Colab笔记本。该流程将自动连接到在Roboflow中的自定义数据集，通过pip包。只需在Roboflow中以期望的格式“导出”项目，将为生成自定义训练所需的代码片段。唯一需要做的是将这段代码片段从账户复制并粘贴到笔记本的正确位置。
支持开源不仅仅是指在产品中改进集成，还包括为YOLOv5仓库的进一步开发和改进提供财务支持，包括额外的计算资源，以进一步实验并提高目标检测的最新技术水平。认为回馈并支持支撑领域进步的开源生态系统非常重要，很高兴能够助力YOLOv5继续蓬勃发展。