开始使用 YOLOv5
YOLOv5是一个创新的目标检测模型，它基于PyTorch深度学习框架构建，因其多功能性、易用性和高性能而广受欢迎。文档将指导完成安装过程，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。这些资源将帮助充分利用 YOLOv5 进行计算机视觉项目开发。
训练自定义数据集
🚀 推荐：学习如何在自己的数据集上训练 YOLOv5 模型。为了获得最佳的训练结果，提供了实用的技巧来优化模型训练过程。了解如何利用多 GPU 加速训练，以及如何通过PyTorchHub 加载预训练模型。此外，还可以学习如何将模型导出到不同的格式，如 TFLite、ONNX、CoreML 和 TensorRT，以及如何使用测试时增强（TTA）来提高模型预测的精度。
模型集成与优化
学习如何结合多个模型来提高性能，理解模型剪枝和稀疏性的概念，并创建一个更高效的模型。探索自动化超参数调整的过程，以获得更好的模型性能。通过冻结层来实现迁移学习，并深入了解YOLOv5模型的结构细节。
数据集管理与模型训练
了解如何使用 Roboflow 进行数据集管理、标注和主动学习。学习如何集成 ClearML 进行有效的模型训练记录。探索如何使用 Neural Magic's Deepsparse 对 YOLOv5 模型进行剪枝和量化。
支持的环境
Ultralytics 提供了一系列预配置的环境，每个环境都预安装了必要的依赖项，如 CUDA、CUDNN、Python 和 PyTorch，以便能够快速启动项目。还提供了在 Google Cloud Platform、Amazon AWS、AzureML 和 Docker 上设置这些环境的快速入门指南。
项目状态
这个标志表示 YOLOv5 的所有持续集成（CI）测试都已成功通过。这些 CI 测试严格检查了 YOLOv5 在多个关键方面的功能和性能，包括训练、验证、推理、导出和基准测试。确保在 macOS、Windows 和 Ubuntu 上的一致性和可靠性，测试每 24 小时进行一次，并且每次有新的提交时都会进行。