YOLOv5 Schnellstart đ
Begib dich auf die Reise in die dynamische Welt der Echtzeit-Objekterkennung mit YOLOv5! Dieser Leitfaden ist als umfassender Ausgangspunkt fĂŒr KI-Enthusiasten und Profis gedacht, die YOLOv5 beherrschen wollen. Von der Ersteinrichtung bis hin zu fortgeschrittenen Trainingstechniken - wir haben alles fĂŒr dich. Am Ende dieses Leitfadens wirst du das Wissen haben, um YOLOv5 sicher in deine Projekte einzubinden. Lass uns die Triebwerke zĂŒnden und zu YOLOv5 aufsteigen!
Installiere
Bereite dich auf den Start vor, indem du das Repository klonst und die Umgebung einrichtest. Dadurch wird sichergestellt, dass alle notwendigen Voraussetzungen installiert sind. PrĂŒfe, ob du Python>=3.8.0 und PyTorch>=1.8 bereit zum Start.
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 von YOLOv5 PyTorch Hub Inferenz, wo Modelle nahtlos von der neuesten YOLOv5 Version heruntergeladen 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.
Inferenz mit detect.py
Gurtzeug detect.py
fĂŒr vielseitige Schlussfolgerungen aus verschiedenen Quellen. Es holt sich automatisch Modelle von der neuesten YOLOv5 freigeben und speichert Ergebnisse mit Leichtigkeit.
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
Ausbildung
Replizieren Sie die YOLOv5 COCO Benchmarks mit den unten stehenden Anweisungen. Die notwendigen Modelle und DatensÀtze werden direkt aus der neuesten YOLOv5 freigeben. Das Training von YOLOv5n/s/m/l/x auf einer V100 GPU sollte in der Regel 1/2/4/6/8 Tage dauern (beachte, dass Multi-GPU Setups arbeiten schneller). Maximiere die Leistung durch Verwendung der höchstmöglichen --batch-size
oder verwenden --batch-size -1
fĂŒr die YOLOv5 AutoBatch Funktion. Die folgenden LosgröĂen sind ideal fĂŒr V100-16GB GPUs.
python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5n.yaml --batch-size 128
yolov5s 64
yolov5m 40
yolov5l 24
yolov5x 16
Zusammenfassend lĂ€sst sich sagen, dass YOLOv5 nicht nur ein hochmodernes Werkzeug zur Objekterkennung ist, sondern auch ein Beweis fĂŒr die Macht des maschinellen Lernens, das die Art und Weise, wie wir mit der Welt interagieren, durch visuelles VerstĂ€ndnis verĂ€ndert. Wenn du diesen Leitfaden durcharbeitest und damit beginnst, YOLOv5 auf deine Projekte anzuwenden, denke daran, dass du an der Spitze einer technologischen Revolution stehst, mit der du bemerkenswerte Leistungen vollbringen kannst. Solltest du weitere Einblicke oder UnterstĂŒtzung von anderen VisionĂ€ren benötigen, bist du herzlich eingeladen, unser GitHub-Repository zu besuchen, das eine florierende Gemeinschaft von Entwicklern und Forschern beherbergt. Erforsche weiter, bleibe innovativ und genieĂe die Wunder von YOLOv5. Viel SpaĂ beim Entdecken! đ đ