YOLOv5 Schnellstart 🚀#

Begib dich mit Ultralytics YOLOv5 auf deine Reise in die dynamische Welt der Echtzeit-Objekterkennung! Dieser Leitfaden dient als umfassender Startpunkt für KI-Enthusiasten und Profis, die YOLOv5 meistern möchten. Von der Ersteinrichtung bis hin zu fortgeschrittenen Trainingstechniken unterstützen wir dich auf jedem Schritt. Am Ende dieses Leitfadens verfügst du über das Wissen, YOLOv5 mithilfe modernster Deep-Learning-Methoden sicher in deinen Projekten einzusetzen. Lass uns die Triebwerke zünden und mit YOLOv5 durchstarten!

Installieren#

Bereite dich auf den Start vor, indem du das YOLOv5-Repository klonst und die Umgebung einrichtest. Dadurch wird sichergestellt, dass alle erforderlichen Anforderungen installiert sind. Überprüfe, ob du Python>=3.8.0 und PyTorch>=1.8 bereit für den Abflug hast. Diese grundlegenden Werkzeuge sind entscheidend für die reibungslose Ausführung von YOLOv5.

git clone https://github.com/ultralytics/yolov5 # clone repository
cd yolov5
pip install -r requirements.txt # install dependencies

Inferenz mit PyTorch Hub#

Erlebe die Einfachheit der YOLOv5 PyTorch Hub-Inferenz, bei der Modelle nahtlos aus dem neuesten YOLOv5-Release heruntergeladen werden. Diese Methode nutzt die Leistung von PyTorch für ein einfaches Laden und Ausführen von Modellen, wodurch Vorhersagen unkompliziert werden.

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.

Inferenz mit detect.py#

Nutze detect.py für eine vielseitige Inferenz auf verschiedenen Quellen. Es ruft automatisch Modelle aus dem neuesten YOLOv5-Release ab und speichert die Ergebnisse mühelos. Dieses Skript eignet sich ideal für die Befehlszeilennutzung und die Integration von YOLOv5 in größere Systeme und unterstützt Eingaben wie Bilder, Videos, Verzeichnisse, Webcams und sogar Live-Streams.

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

Training#

Repliziere die Benchmarks des YOLOv5 COCO-Datensatzes, indem du den unten stehenden Trainingsanweisungen folgst. Die erforderlichen Modelle und Datensätze (wie coco128.yaml oder der vollständige coco.yaml) werden direkt aus dem neuesten YOLOv5-Release geladen. Das Training von YOLOv5n/s/m/l/x auf einer V100-GPU dauert typischerweise jeweils 1/2/4/6/8 Tage (beachte, dass Setups für Multi-GPU-Training schneller arbeiten). Maximiere die Leistung durch die Verwendung des höchstmöglichen --batch-size oder nutze --batch-size -1 für die YOLOv5-AutoBatch-Funktion, die automatisch die optimale Batch-Größe ermittelt. Die folgenden Batch-Größen sind ideal für V100-16GB-GPUs. Details zu Modelldateien (*.yaml) findest du in unserem Konfigurationsleitfaden.

# 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

Zusammenfassend ist YOLOv5 nicht nur ein hochmodernes Werkzeug zur Objekterkennung, sondern auch ein Beweis für die Kraft des maschinellen Lernens, die Art und Weise zu verändern, wie wir durch visuelles Verständnis mit der Welt interagieren. Während du diesen Leitfaden durchläufst und YOLOv5 in deinen Projekten anwendest, denk daran, dass du an der vorderen Front einer technologischen Revolution stehst und bemerkenswerte Leistungen im Bereich Computer Vision vollbringen kannst. Solltest du weitere Einblicke oder Unterstützung von anderen Visionären benötigen, bist du herzlich in unser GitHub-Repository eingeladen, der Heimat einer florierenden Community aus Entwicklern und Forschern. Entdecke weitere Ressourcen wie die Ultralytics Platform für das Datensatzmanagement und das Modelltraining ohne Code oder besuche unsere Solutions-Seite für reale Anwendungen und Inspiration. Erkunde weiter, innoviere weiter und genieße die Wunder von YOLOv5. Viel Spaß beim Erkennen! 🌠🔍