YOLOv5 التشغيل 🚀 السريع
انطلق في رحلتك إلى العالم الديناميكي لاكتشاف الأشياء في الوقت الفعلي باستخدام YOLOv5! تم تصميم هذا الدليل ليكون بمثابة نقطة انطلاق شاملة لعشاق الذكاء الاصطناعي والمهنيين الذين يهدفون إلى إتقانها YOLOv5. من الإعداد الأولي إلى تقنيات التدريب المتقدمة ، قمنا بتغطيتك. بنهاية هذا الدليل ، سيكون لديك المعرفة اللازمة للتنفيذ YOLOv5 في مشاريعك بثقة. دعونا نشعل المحركات ونحلق في 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
الاستدلال مع PyTorch محور
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
img.jpg # image
vid.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 ميزة. أحجام الدفعات التالية مثالية لوحدات معالجة الرسومات V100-16GB.
python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5n.yaml --batch-size 128
yolov5s 64
yolov5m 40
yolov5l 24
yolov5x 16
ختاما، YOLOv5 ليست فقط أداة حديثة للكشف عن الأشياء ولكنها أيضا شهادة على قوة التعلم الآلي في تحويل الطريقة التي نتفاعل بها مع العالم من خلال الفهم البصري. كلما تقدمت في هذا الدليل وابدأ في التقديم YOLOv5 بالنسبة لمشاريعك ، تذكر أنك في طليعة ثورة تكنولوجية قادرة على تحقيق مآثر رائعة. إذا كنت بحاجة إلى مزيد من الأفكار أو الدعم من زملائك أصحاب الرؤى ، فأنت مدعو إلى مستودع GitHub الخاص بنا إلى مجتمع مزدهر من المطورين والباحثين. استمر في الاستكشاف واستمر في الابتكار واستمتع بعجائب YOLOv5. كشف سعيد! 🌠🔍