YOLOv5 Inicio rápido 🚀
¡Embárcate en el dinámico reino de la detección de objetos en tiempo real con YOLOv5! Esta guía ha sido elaborada para servir de punto de partida exhaustivo a los entusiastas y profesionales de la IA que deseen dominar YOLOv5. Desde la configuración inicial hasta las técnicas avanzadas de entrenamiento, tenemos todo lo que necesitas. Al final de esta guía, tendrás los conocimientos necesarios para implementar YOLOv5 en tus proyectos con confianza. ¡Encendamos los motores y remontemos el vuelo hacia YOLOv5!
Instala
Prepárate para el lanzamiento clonando el repositorio y estableciendo el entorno. Así te aseguras de que están instalados todos los requisitos necesarios. Comprueba que tienes Python>=3.8.0 y PyTorch>=1.8 listos para despegar.
git clone https://github.com/ultralytics/yolov5 # clone repository
cd yolov5
pip install -r requirements.txt # install dependencies
Inferencia con PyTorch Hub
Experimenta la sencillez de la inferencia de YOLOv5 PyTorch Hub, donde los modelos se descargan sin problemas de la últimaversión de YOLOv5 .
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.
Inferencia con detect.py
Arnés detect.py para una inferencia versátil en varias fuentes. Obtiene automáticamente modelos del último YOLOv5 libera y guarda los resultados con facilidad.
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
Formación
Replica la YOLOv5 COCO puntos de referencia con las instrucciones que aparecen a continuación. Lo necesario modelos y conjuntos de datos se extraen directamente del último YOLOv5 libera. Entrenar YOLOv5n/s/m/l/x en un V100 GPU debería llevar normalmente 1/2/4/6/8 días respectivamente (ten en cuenta que Multi-GPU funcionan más rápido). Maximiza el rendimiento utilizando el mayor --batch-size o utiliza --batch-size -1 para la YOLOv5 AutoBatch función. Lo siguiente tamaño de los lotes son ideales para las GPU 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
Para concluir, YOLOv5 no es sólo una herramienta de vanguardia para la detección de objetos, sino también un testimonio del poder del aprendizaje automático para transformar la forma en que interactuamos con el mundo mediante la comprensión visual. A medida que avances en esta guía y empieces a aplicar YOLOv5 a tus proyectos, recuerda que estás a la vanguardia de una revolución tecnológica, capaz de lograr hazañas extraordinarias. Si necesitas más información o el apoyo de otros visionarios, te invitamos a nuestro repositorio de GitHub, que alberga una próspera comunidad de desarrolladores e investigadores. Sigue explorando, sigue innovando y disfruta de las maravillas de YOLOv5. ¡Feliz detección! 🌠🔍
