YOLOv5 Schnellstart 🚀
Beginnen Sie Ihre Reise in das dynamische Reich der Echtzeit-Objekterkennung mit YOLOv5! Dieser Leitfaden dient als umfassender Ausgangspunkt für KI-Enthusiasten und Profis, die YOLOv5 beherrschen möchten. Von der anfänglichen Einrichtung bis hin zu fortgeschrittenen Trainingstechniken - wir haben alles für Sie parat. Am Ende dieses Leitfadens werden Sie das Wissen haben, um YOLOv5 sicher in Ihre Projekte zu implementieren. Lassen Sie uns die Motoren zünden und in YOLOv5 aufsteigen!
Installieren Sie
Bereiten Sie den Start vor, indem Sie das Repository klonen und die Umgebung einrichten. Dadurch wird sichergestellt, dass alle erforderlichen Anforderungen installiert sind. Prüfen Sie, ob Sie über Python>=3.8.0 und PyTorch>=1.8 zum Start bereit sind.
git clone https://github.com/ultralytics/yolov5 # clone repository
cd yolov5
pip install -r requirements.txt # install dependencies
Inferenz mit PyTorch Nabe
Erleben Sie 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 für vielseitige Schlussfolgerungen aus verschiedenen Quellen. Es holt automatisch Modelle vom neuesten YOLOv5 freigeben und speichert Ergebnisse mit Leichtigkeit.
python detect.py --weights yolov5s.pt --source 0 # webcam
image.jpg # image
video.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 Datensätze werden direkt aus der neuesten YOLOv5 freigeben. Das Training von YOLOv5n/s/m/l/x auf einem V100 GPU sollte in der Regel jeweils 1/2/4/6/8 Tage dauern (beachten Sie, dass Multi-GPU Setups arbeiten schneller). Maximieren Sie die Leistung durch Verwendung der höchstmöglichen --batch-size oder verwenden --batch-size -1 für die YOLOv5 AutoBatch Funktion. Die folgenden Losgrößen sind ideal für 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 lässt sich sagen, dass YOLOv5 nicht nur ein hochmodernes Werkzeug für die Objekterkennung ist, sondern auch ein Beweis für die Macht des maschinellen Lernens bei der Veränderung der Art und Weise, wie wir durch visuelles Verständnis mit der Welt interagieren. Wenn Sie diesen Leitfaden durcharbeiten und damit beginnen, YOLOv5 auf Ihre Projekte anzuwenden, denken Sie daran, dass Sie an der Spitze einer technologischen Revolution stehen und in der Lage sind, bemerkenswerte Leistungen zu vollbringen. Sollten Sie weitere Einblicke oder Unterstützung von anderen Visionären benötigen, sind Sie herzlich eingeladen, unser GitHub-Repository zu besuchen, das eine blühende Gemeinschaft von Entwicklern und Forschern beherbergt. Erforschen Sie weiter, bleiben Sie innovativ und genießen Sie die Wunder von YOLOv5. Viel Spaß beim Entdecken! 🌠🔍
