YOLOv5 Inicio rápido 🚀
Embárquese en el dinámico mundo de la detección de objetos en tiempo real con Ultralytics 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 de entrenamiento avanzadas, tenemos todo lo que necesita. Al final de esta guía, tendrás los conocimientos necesarios para implementar YOLOv5 en tus proyectos con confianza. ¡Encendamos los motores y remontemos el vuelo con YOLOv5!
Instale
Prepare el lanzamiento clonando el repositorio y estableciendo el entorno. Esto asegura que todos los requisitos necesarios están instalados. Compruebe que dispone de 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
Experimente la simplicidad 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 diversas fuentes. Obtiene automáticamente modelos del último YOLOv5 liberar y guarda los resultados con facilidad.
python detect.py --weights yolov5s.pt --source 0 # webcam
python detect.py --weights yolov5s.pt --sourceimage.jpg # image
python detect.py --weights yolov5s.pt --sourcevideo.mp4 # video
python detect.py --weights yolov5s.pt --sourcescreen # screenshot
python detect.py --weights yolov5s.pt --sourcepath/ # directory
python detect.py --weights yolov5s.pt --sourcelist.txt # list of images
python detect.py --weights yolov5s.pt --sourcelist.streams # list of streams
python detect.py --weights yolov5s.pt --source'path/*.jpg' # glob
python detect.py --weights yolov5s.pt --source'https://youtu.be/LNwODJXcvt4' # YouTube
python detect.py --weights yolov5s.pt --source'rtsp://example.com/media.mp4' # RTSP, RTMP, HTTP stream
Formación
Replicar el YOLOv5 COCO con las instrucciones que figuran a continuación. Es necesario modelos y conjuntos de datos se extraen directamente del último YOLOv5 liberar. El entrenamiento de YOLOv5n/s/m/l/x en un V100 GPU suele durar 1/2/4/6/8 días respectivamente (tenga en cuenta que Multi-GPU funcionan más rápido). Maximiza el rendimiento utilizando el --batch-size o utilice --batch-size -1 para la YOLOv5 AutoBatch característica. Las siguientes 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
python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5s.yaml --batch-size 64
python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5m.yaml --batch-size 40
python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5l.yaml --batch-size 24
python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5x.yaml --batch-size 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 a través de 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! 🌠🔍
