Link to this sectionDémarrage rapide avec YOLOv5 🚀#

Lance-toi dans le domaine dynamique de la détection d'objets en temps réel avec Ultralytics YOLOv5 ! Ce guide est conçu pour servir de point de départ complet aux passionnés et professionnels de l'IA souhaitant maîtriser YOLOv5. De l'installation initiale aux techniques d'entraînement avancées, nous avons tout prévu. À la fin de ce guide, tu auras les connaissances nécessaires pour implémenter YOLOv5 dans tes projets en toute confiance, en utilisant des méthodes de deep learning de pointe. Faisons démarrer les moteurs et envolons-nous avec YOLOv5 !

Link to this sectionInstaller#

Prépare le décollage en clonant le dépôt YOLOv5 et en configurant l'environnement. Cela garantit que toutes les dépendances nécessaires sont installées. Vérifie que tu as Python>=3.8.0 et PyTorch>=1.8 prêts pour le décollage. Ces outils fondamentaux sont cruciaux pour faire fonctionner YOLOv5 efficacement.

git clone https://github.com/ultralytics/yolov5 # clone repository
cd yolov5
pip install -r requirements.txt # install dependencies

Link to this sectionInférence avec PyTorch Hub#

Découvre la simplicité de l'inférence avec PyTorch Hub pour YOLOv5, où les modèles sont téléchargés de manière transparente depuis la dernière version de YOLOv5. Cette méthode exploite la puissance de PyTorch pour charger et exécuter facilement les modèles, rendant l'obtention de prédictions très directe.

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.

Link to this sectionInférence avec detect.py#

Utilise detect.py pour une inférence polyvalente sur diverses sources. Il récupère automatiquement les modèles depuis la dernière version de YOLOv5 et enregistre les résultats facilement. Ce script est idéal pour une utilisation en ligne de commande et pour intégrer YOLOv5 dans des systèmes plus vastes, prenant en charge des entrées comme les images, les vidéos, les répertoires, les webcams et même les flux en direct.

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

Link to this sectionEntraînement#

Replicate the YOLOv5 COCO dataset benchmarks by following the training instructions below. The necessary models and datasets (like coco128.yaml or the full coco.yaml) are pulled directly from the latest YOLOv5 release. Training YOLOv5n/s/m/l/x on a V100 GPU should typically take 1/2/4/6/8 days respectively (note that Multi-GPU training setups work faster). Maximize performance by using the highest possible --batch-size or use --batch-size -1 for the YOLOv5 AutoBatch feature, which automatically finds the optimal batch size. The following batch sizes are ideal for V100-16GB GPUs. Refer to our configuration guide for details on model configuration files (*.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

Pour conclure, YOLOv5 n'est pas seulement un outil de pointe pour la détection d'objets, mais aussi un témoignage de la puissance du machine learning pour transformer notre façon d'interagir avec le monde grâce à la compréhension visuelle. Alors que tu progresses dans ce guide et que tu commences à appliquer YOLOv5 à tes projets, souviens-toi que tu es à l'avant-garde d'une révolution technologique, capable de réaliser des exploits remarquables en computer vision. Si tu as besoin d'informations complémentaires ou de soutien de la part d'autres visionnaires, tu es invité à rejoindre notre dépôt GitHub, qui abrite une communauté florissante de développeurs et de chercheurs. Explore d'autres ressources comme la plateforme Ultralytics pour la gestion des datasets et l'entraînement de modèles sans code, ou consulte notre page Solutions pour des applications concrètes et de l'inspiration. Continue d'explorer, continue d'innover et profite des merveilles de YOLOv5. Bonne détection ! 🌠🔍