انتقل إلى المحتوى

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 / s / m / l / x على وحدة معالجة الرسومات V100 عادة 1/2/4/6/8 أيام على التوالي (لاحظ أن وحدة معالجة رسومات متعددة 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

YOLO منحنيات التدريب

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! 🌠🔍



تم إنشاؤه في 2023-11-12, اخر تحديث 2023-12-03
المؤلفون: جلين جوشر (2)

التعليقات