> ## Documentation Index
> Fetch the complete documentation index at: https://wb-21fd5541-dbrian-docs-serverless-training-quickstart.mintlify.site/llms.txt
> Use this file to discover all available pages before exploring further.
# YOLOv5
> YOLOv5 に組み込まれている W&B インテグレーション を使用して、実験管理、モデルのバージョン管理、予測の可視化を行えます。
export const ColabLink = ({url}) =>
Colabで試す
;
[Ultralytics' YOLOv5](https://www.ultralytics.com/yolo) (「You Only Look Once」) モデルファミリーを使うと、畳み込みニューラルネットワークによるリアルタイム物体検出を、面倒な手間なく実現できます。
[W\&B](https://wandb.com) は YOLOv5 に直接統合されており、実験メトリクスのトラッキング、モデルとデータセットのバージョン管理、モデル予測の豊富な可視化などを利用できます。**YOLO Experiments を始める前に `pip install` を 1 回実行するだけで、簡単に使い始められます。**
W\&B のすべてのログ機能は、[PyTorch DDP](https://pytorch.org/tutorials/intermediate/ddp_tutorial.html) などのデータ並列マルチ GPU トレーニングに対応しています。
## 主要なExperimentsをトラッキングする
`wandb` をインストールするだけで、W\&B 組み込みの [ログ機能](/ja/models/track/log/) が有効になり、システムメトリクス、モデルメトリクス、さらに対話型の [ダッシュボード](/ja/models/track/workspaces/) にログされるメディアを記録できるようになります。
```python theme={null}
pip install wandb
git clone https://github.com/ultralytics/yolov5.git
python yolov5/train.py # 小さなデータセットで小規模なネットワークをトレーニングする
```
wandb が標準出力に出力するリンクをたどるだけです。
## インテグレーションをカスタマイズする
YOLO にいくつかのシンプルなコマンドライン引数を渡すことで、W\&B の機能をさらに活用できます。
* `--save_period` に数値を渡すと、W\&B は `save_period` エポックごとの終了時に [モデルバージョン](/ja/models/registry/) を保存します。モデルバージョンにはモデルの重みが含まれ、検証セットで最も高い性能を示したモデルにタグが付けられます。
* `--upload_dataset` フラグを有効にすると、データのバージョン管理のためにデータセットもアップロードされます。
* `--bbox_interval` に数値を渡すと、[Data Visualization](../) が有効になります。`bbox_interval` エポックごとの終了時に、検証セットに対するモデルの出力が W\&B にアップロードされます。
```python theme={null}
python yolov5/train.py --epochs 20 --save_period 1
```
```python theme={null}
python yolov5/train.py --epochs 20 --save_period 1 \
--upload_dataset --bbox_interval 1
```
すべての W\&B アカウントには、データセットとモデル向けに 100 GB の無料ストレージが含まれています。
表示は次のようになります。
データとモデルのバージョン管理を使用すると、追加のセットアップなしで、任意のデバイスから一時停止した Experiments やクラッシュした Experiments を再開できます。詳しくは [Colab](https://wandb.me/yolo-colab) をご覧ください。