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 y utilizando métodos de aprendizaje profundo de última generación. ¡Vamos a encender los motores y volar en YOLOv5!
Instale
Prepare el lanzamiento clonando el repositorioYOLOv5 y estableciendo el entorno. Esto garantiza que se instalen todos los requisitos necesarios. Compruebe que tiene Python.8.0 y PyTorch.8 listos para despegar. Estas herramientas básicas son cruciales para ejecutar YOLOv5 con eficacia.
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 . Este método aprovecha la potencia de PyTorch para una carga y ejecución sencillas de los modelos, lo que facilita la obtención de predicciones.
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.
Inferencia con detect.py
Arnés detect.py para un uso versátil inferencia en varias fuentes. Obtiene automáticamente modelos del último YOLOv5 liberar y guarda los resultados con facilidad. Este script es ideal para el uso de línea de comandos y la integración de YOLOv5 en sistemas más grandes, el apoyo a entradas como imágenes, vídeos, directorios, cámaras web, e incluso transmisiones en directo.
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
Formación
Replicar el YOLOv5 Conjunto de datos COCO puntos de referencia siguiendo el instrucciones de formación abajo. Lo necesario modelos y conjuntos de datos (como coco128.yaml o el coco.yaml) proceden directamente del último YOLOv5 liberar. Entrenamiento de YOLOv5n/s/m/l/x en una V100 GPU suelen tardar 1/2/4/6/8 días respectivamente (tenga en cuenta que Entrenamiento GPU funcionan más rápido). Maximiza el rendimiento utilizando el --batch-size o utilice --batch-size -1 para la YOLOv5 AutoBatch que encuentra automáticamente la tamaño del lote. Los siguientes tamaños de lote son ideales para GPUs V100-16GB. Consulte nuestra guía de configuración para más detalles sobre los archivos de configuración de modelos (*.yaml).
# 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
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 avance en esta guía y comience a aplicar YOLOv5 a sus proyectos, recuerde que se encuentra en la vanguardia de una revolución tecnológica, capaz de lograr hazañas notables en la visión por ordenador. Si necesitas más información o el apoyo de otros visionarios, te invitamos a nuestro repositorio de GitHub, hogar de una próspera comunidad de desarrolladores e investigadores. Explore otros recursos como Ultralytics HUB para la gestión de conjuntos de datos y el entrenamiento de modelos sin código, o visite nuestra página Soluciones para encontrar aplicaciones reales e inspiración. Siga explorando, siga innovando y disfrute de las maravillas de YOLOv5. ¡Feliz detección! 🌠🔍
