YOLOv5 Inicio r谩pido 馃殌
Emb谩rquese en el din谩mico mundo de la detecci贸n de objetos en tiempo real con YOLOv5. Esta gu铆a ha sido elaborada para servir de punto de partida exhaustivo a los entusiastas y profesionales de la IA que deseen dominar YOLOv5. Desde la configuraci贸n inicial hasta las t茅cnicas de entrenamiento avanzadas, tenemos todo lo que necesitas. Al final de esta gu铆a, tendr谩s los conocimientos necesarios para implementar YOLOv5 en tus proyectos con confianza. Encendamos los motores y volemos a YOLOv5.
Instale
Prepare el lanzamiento clonando el repositorio y estableciendo el entorno. Esto asegura que todos los requisitos necesarios est谩n 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 煤ltimaversi贸n 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
Arn茅s detect.py
para una inferencia vers谩til en diversas fuentes. Obtiene autom谩ticamente modelos del 煤ltimo YOLOv5 liberar 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
Formaci贸n
Replicar el YOLOv5 COCO con las instrucciones que figuran a continuaci贸n. Es necesario modelos y conjuntos de datos se extraen directamente del 煤ltimo YOLOv5 liberar. El entrenamiento de YOLOv5n/s/m/l/x en un V100 GPU suele durar 1/2/4/6/8 d铆as respectivamente (tenga en cuenta que Multi-GPU funcionan m谩s r谩pido). Maximiza el rendimiento utilizando el --batch-size
o utilice --batch-size -1
para la YOLOv5 AutoBatch caracter铆stica. Las siguientes tama帽o 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 s贸lo una herramienta de vanguardia para la detecci贸n de objetos, sino tambi茅n un testimonio del poder del aprendizaje autom谩tico para transformar la forma en que interactuamos con el mundo a trav茅s de la comprensi贸n visual. A medida que avances en esta gu铆a y empieces a aplicar YOLOv5 a tus proyectos, recuerda que est谩s a la vanguardia de una revoluci贸n tecnol贸gica, capaz de lograr haza帽as extraordinarias. Si necesitas m谩s informaci贸n o el apoyo de otros visionarios, te invitamos a nuestro repositorio de GitHub, que alberga una pr贸spera comunidad de desarrolladores e investigadores. Sigue explorando, sigue innovando y disfruta de las maravillas de YOLOv5. 隆Feliz detecci贸n! 馃尃馃攳