YOLOv5 Schnellstart 🚀

Begib dich auf deine Reise in die dynamische Welt der Echtzeit-Objekterkennung mit Ultralytics YOLOv5! Dieser Leitfaden wurde als umfassender Ausgangspunkt für KI-Enthusiasten und Profis entwickelt, die YOLOv5 meistern wollen. Von der Ersteinrichtung bis zu fortgeschrittenen Trainingstechniken decken wir alles ab. Am Ende dieses Leitfadens wirst du das Wissen haben, um YOLOv5 mit modernsten Deep Learning-Methoden selbstbewusst in deine Projekte zu implementieren. Lass uns die Triebwerke zünden und mit YOLOv5 abheben!

Installieren

Bereite den Start vor, indem du das YOLOv5-Repository klonst und die Umgebung einrichtest. Dies stellt sicher, dass alle notwendigen Anforderungen installiert sind. Überprüfe, ob du Python>=3.8.0 und PyTorch>=1.8 für den Start bereit hast. Diese grundlegenden Werkzeuge sind entscheidend, um YOLOv5 effektiv auszuführen.

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 das einfache Laden und Ausführen von Modellen, wodurch Vorhersagen direkt und unkompliziert möglich sind.

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 vielseitige Inferenz auf verschiedenen Quellen. Es ruft automatisch Modelle aus dem neuesten YOLOv5-Release ab und speichert Ergebnisse mühelos. Dieses Skript ist 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 die unten stehenden Trainingsanweisungen befolgst. Die erforderlichen Modelle und Datensätze (wie coco128.yaml oder das vollständige coco.yaml) werden direkt aus dem neuesten YOLOv5-Release bezogen. Das Training von YOLOv5n/s/m/l/x auf einer V100 GPU sollte typischerweise 1/2/4/6/8 Tage dauern (beachte, dass Multi-GPU-Training-Setups schneller arbeiten). Maximiere die Leistung durch die Verwendung der 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. Sieh dir unseren Konfigurationsleitfaden für Details zu Modellkonfigurationsdateien (*.yaml) an.

# 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 lässt sich sagen, dass YOLOv5 nicht nur ein hochmodernes Werkzeug zur Objekterkennung ist, 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 durcharbeitest und beginnst, YOLOv5 auf deine Projekte anzuwenden, denke daran, dass du an der Spitze einer technologischen Revolution stehst, die in der Lage ist, bemerkenswerte Leistungen im Bereich Computer Vision zu erzielen. Solltest du weitere Einblicke oder Unterstützung von anderen Visionären benötigen, bist du herzlich in unser GitHub-Repository eingeladen, das eine blühende Gemeinschaft von Entwicklern und Forschern beherbergt. Entdecke weitere Ressourcen wie die Ultralytics-Plattform für Datensatzverwaltung und modellfreies Training oder besuche unsere Lösungen-Seite für reale Anwendungen und Inspiration. Erkunde weiter, bleib innovativ und genieße die Wunder von YOLOv5. Viel Erfolg beim Erkennen! 🌠🔍