YOLOv5 Démarrage rapide 🚀
Embarque pour un voyage dans le domaine dynamique de la détection d'objets en temps réel avec YOLOv5! Ce guide est conçu pour servir de point de départ complet aux passionnés d'intelligence artificielle et aux professionnels qui souhaitent maîtriser YOLOv5. De la configuration initiale aux techniques de formation avancées, nous avons tout prévu. À la fin de ce guide, tu auras acquis les connaissances nécessaires pour intégrer YOLOv5 à tes projets en toute confiance. Mettons le feu aux poudres et envolons-nous vers YOLOv5!
Installer
Prépare le lancement en clonant le référentiel et en établissant l'environnement. Cela permet de s'assurer que toutes les exigences nécessaires sont installées. Vérifie que tu as Python>=3.8.0 et PyTorch>=1.8 sont prêts à décoller.
git clone https://github.com/ultralytics/yolov5 # clone repository
cd yolov5
pip install -r requirements.txt # install dependencies
Inférence avec PyTorch Hub
Fais l'expérience de la simplicité de YOLOv5 PyTorch Hub inference, où les modèles sont téléchargés de façon transparente à partir de la dernièreversion 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.
Inférence avec detect.py
Harnais detect.py pour une inférence polyvalente sur diverses sources. Il recherche automatiquement modèles de la dernière YOLOv5 libération et enregistre facilement les résultats.
python detect.py --weights yolov5s.pt --source 0 # webcam
img.jpg # image
vid.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
Formation
Réplique le YOLOv5 COCO les points de repère en suivant les instructions ci-dessous. Les éléments nécessaires à la mise en place d'un modèles et ensembles de données sont tirés directement de la dernière YOLOv5 libération. L'entraînement de YOLOv5n/s/m/l/x sur un GPU V100 devrait typiquement prendre 1/2/4/6/8 jours respectivement (note que Multi-GPU travaillent plus rapidement). Maximise les performances en utilisant la plus grande --batch-size ou utilise --batch-size -1 pour les YOLOv5 AutoBatch caractéristique. Les tailles de lots suivantes sont idéales pour les 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
Pour conclure, YOLOv5 est non seulement un outil de pointe pour la détection d'objets, mais aussi un témoignage de la puissance de l'apprentissage automatique pour transformer la façon dont nous interagissons 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, rappelle-toi que tu es à l'avant-garde d'une révolution technologique, capable de réaliser des exploits remarquables. Si tu as besoin d'autres idées ou du soutien d'autres visionnaires, tu es invité à te rendre sur notre dépôt GitHub qui abrite une communauté florissante de développeurs et de chercheurs. Continue d'explorer, d'innover et de profiter des merveilles de YOLOv5... Bonne détection ! 🌠🔍