YOLOv5 البداية السريعة 🚀
ابدأ رحلتك في عالم اكتشاف الأجسام الديناميكي في الوقت الفعلي باستخدام Ultralytics YOLOv5! تم تصميم هذا الدليل ليكون بمثابة نقطة انطلاق شاملة لعشاق الذكاء الاصطناعي والمحترفين الذين يهدفون إلى إتقان YOLOv5. بدءًا من الإعداد الأولي إلى تقنيات التدريب المتقدمة، لقد قمنا بتغطيتك. بنهاية هذا الدليل، ستكون لديك المعرفة اللازمة لتطبيق YOLOv5 في مشاريعك بثقة باستخدام أحدث أساليب التعلم العميق. لنشعل المحركات ونحلق في YOLOv5!
التثبيت
استعد للتشغيل عن طريق استنساخ مستودعYOLOv5 وإنشاء البيئة. يضمن ذلك تثبيت جميع المتطلبات الضرورية. تحقق من أن لديك Python.8.0 و وPyTorch.8 جاهزين للإقلاع. هذه الأدوات الأساسية ضرورية لتشغيل YOLOv5 بفعالية.
git clone https://github.com/ultralytics/yolov5 # clone repository
cd yolov5
pip install -r requirements.txt # install dependencies
الاستدلال باستخدام PyTorch المحور
جرب بساطة استدلال YOLOv5 PyTorch Hub، حيث يتم تنزيل النماذج بسلاسة من أحدثإصدار YOLOv5 . تستفيد هذه الطريقة من قوة PyTorch لسهولة تحميل النماذج وتنفيذها، مما يجعل من السهل الحصول على تنبؤات مباشرة.
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. Explore these in the Predict mode documentation.
الاستدلال باستخدام detect.py
تسخير detect.py متعدد الاستخدامات الاستدلال على مصادر مختلفة. يقوم تلقائيًا بجلب الموديلات من أحدث YOLOv5 الإصدار ويحفظ النتائج بسهولة. يعد هذا البرنامج النصي مثاليًا لاستخدام سطر الأوامر ودمج YOLOv5 في أنظمة أكبر، ويدعم مدخلات مثل الصور ومقاطع الفيديو والدلائل وكاميرات الويب وحتى البث المباشر.
python detect.py --weights yolov5s.pt --source 0 # webcam
python detect.py --weights yolov5s.pt --source image.jpg # image
python detect.py --weights yolov5s.pt --source video.mp4 # video
python detect.py --weights yolov5s.pt --source screen # screenshot
python detect.py --weights yolov5s.pt --source path/ # directory
python detect.py --weights yolov5s.pt --source list.txt # list of images
python detect.py --weights yolov5s.pt --source list.streams # list of streams
python detect.py --weights yolov5s.pt --source 'path/*.jpg' # glob pattern
python detect.py --weights yolov5s.pt --source 'https://youtu.be/LNwODJXcvt4' # YouTube video
python detect.py --weights yolov5s.pt --source 'rtsp://example.com/media.mp4' # RTSP, RTMP, HTTP stream
التدريب
تكرار YOLOv5 مجموعة بيانات COCO المعايير من خلال اتباع تعليمات التدريب أدناه. ما يلزم الموديلات و مجموعات البيانات (مثل coco128.yaml أو الكامل coco.yaml) يتم سحبها مباشرةً من أحدث إصدار YOLOv5 الإصدار. تدريب YOLOv5n/s/m/l/x على جهاز V100 GPU يجب أن تستغرق عادةً 1/2/4/6/8 أيام على التوالي (لاحظ أن تدريب متعدد GPU معالجة ملفات تعريف الارتباط تعمل الإعدادات بشكل أسرع). حقق أقصى قدر من الأداء باستخدام أعلى مستوى ممكن --batch-size أو استخدام --batch-size -1 لـ YOLOv5 الدفع التلقائي التي تعثر تلقائيًا على الميزة المثلى حجم الدُفعة. أحجام الدفعات التالية مثالية لوحدات معالجة الرسومات V100-16GB. ارجع إلى دليل التكوين للحصول على تفاصيل حول ملفات تكوين النموذج (*.yaml).
# Train YOLOv5n on COCO128 for 3 epochs
python train.py --data coco128.yaml --epochs 3 --weights yolov5n.pt --batch-size 128
# Train YOLOv5s on COCO for 300 epochs
python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5s.yaml --batch-size 64
# Train YOLOv5m on COCO for 300 epochs
python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5m.yaml --batch-size 40
# Train YOLOv5l on COCO for 300 epochs
python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5l.yaml --batch-size 24
# Train YOLOv5x on COCO for 300 epochs
python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5x.yaml --batch-size 16
وختامًا، فإن YOLOv5 ليس فقط أداة متطورة لاكتشاف الأجسام، بل هو أيضًا شهادة على قوة التعلم الآلي في تحويل الطريقة التي نتفاعل بها مع العالم من خلال الفهم البصري. أثناء تقدمك في هذا الدليل والبدء في تطبيق YOLOv5 على مشاريعك، تذكر أنك في طليعة ثورة تكنولوجية قادرة على تحقيق إنجازات رائعة في مجال الرؤية الحاسوبية. إذا كنت بحاجة إلى مزيد من الرؤى أو الدعم من زملائك من أصحاب الرؤية، فأنت مدعو إلى مستودع GitHub الخاص بنا، وهو موطن لمجتمع مزدهر من المطورين والباحثين. استكشف المزيد من الموارد مثل Ultralytics HUB لإدارة مجموعة البيانات وتدريب النماذج بدون كود، أو اطلع على صفحة الحلول الخاصة بنا للتطبيقات الواقعية والإلهام. استمر في الاستكشاف، واستمر في الابتكار، واستمتع بروائع YOLOv5. اكتشاف سعيد! 🌠🔍
