YOLOv5 التشغيل 🚀 السريع
Embark on your journey into the dynamic realm of real-time object detection with YOLOv5! This guide is crafted to serve as a comprehensive starting point for AI enthusiasts and professionals aiming to master YOLOv5. From initial setup to advanced training techniques, we've got you covered. By the end of this guide, you'll have the knowledge to implement YOLOv5 into your projects confidently. Let's ignite the engines and soar into YOLOv5!
أقام
الاستعداد للإطلاق عن طريق استنساخ المستودع وإنشاء البيئة. هذا يضمن تثبيت جميع المتطلبات اللازمة. تأكد من أن لديك Python>=3.8.0 و PyTorch> = 1.8 جاهز للإقلاع.
git clone https://github.com/ultralytics/yolov5 # clone repository
cd yolov5
pip install -r requirements.txt # install dependencies
Inference with PyTorch Hub
جرب بساطة YOLOv5 PyTorch الاستدلال المحوري ، حيث يتم تنزيل النماذج بسلاسة من الأحدث YOLOv5 إطلاق سراح.
import torch
# Model loading
model = torch.hub.load("ultralytics/yolov5", "yolov5s") # Can be 'yolov5n' - 'yolov5x6', or 'custom'
# Inference on images
img = "https://ultralytics.com/images/zidane.jpg" # Can be a file, Path, PIL, OpenCV, numpy, or list of images
# Run inference
results = model(img)
# Display results
results.print() # Other options: .show(), .save(), .crop(), .pandas(), etc.
الاستدلال مع detect.py
تسخير detect.py للاستدلال متعدد الاستخدامات على مصادر مختلفة. يجلب تلقائيا نماذج من أحدث YOLOv5 أفرج ويحفظ النتائج بسهولة.
python detect.py --weights yolov5s.pt --source 0 # webcam
image.jpg # image
video.mp4 # video
screen # screenshot
path/ # directory
list.txt # list of images
list.streams # list of streams
'path/*.jpg' # glob
'https://youtu.be/LNwODJXcvt4' # YouTube
'rtsp://example.com/media.mp4' # RTSP, RTMP, HTTP stream
تدريب
النسخ المتماثل YOLOv5 كوكو المعايير مع التعليمات أدناه. ما يلزم نماذج و مجموعات البيانات يتم سحبها مباشرة من أحدث YOLOv5 أفرج. يجب أن يستغرق تدريب YOLOv5n / m / m / l / x على V100 GPU عادةً 1/2/4/6/8 أيام على التوالي (لاحظ أن متعددGPU الإعدادات تعمل بشكل أسرع). زيادة الأداء إلى أقصى حد باستخدام أعلى مستوى ممكن --batch-size أو استخدام --batch-size -1 ل YOLOv5 أوتوباتش feature. The following batch sizes are ideal for V100-16GB GPUs.
python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5n.yaml --batch-size 128
yolov5s 64
yolov5m 40
yolov5l 24
yolov5x 16
To conclude, YOLOv5 is not only a state-of-the-art tool for object detection but also a testament to the power of machine learning in transforming the way we interact with the world through visual understanding. As you progress through this guide and begin applying YOLOv5 to your projects, remember that you are at the forefront of a technological revolution, capable of achieving remarkable feats. Should you need further insights or support from fellow visionaries, you're invited to our GitHub repository home to a thriving community of developers and researchers. Keep exploring, keep innovating, and enjoy the marvels of YOLOv5. Happy detecting! 🌠🔍
