YOLOv5 Démarrage rapide 🚀
Embarquez pour un voyage dans le domaine dynamique de la détection d'objets en temps réel avec YOLOv5! Ce guide est conçu comme un point de départ complet pour les passionnés d'IA et les professionnels qui souhaitent maîtriser YOLOv5. De la configuration initiale aux techniques de formation avancées, nous avons tout prévu. À la fin de ce guide, vous aurez acquis les connaissances nécessaires pour intégrer YOLOv5 à vos projets en toute confiance. Mettons le feu aux poudres et envolons-nous vers YOLOv5!
Installer
Préparez le lancement en clonant le référentiel et en établissant l'environnement. Cela permet de s'assurer que toutes les exigences nécessaires sont installées. Vérifiez que vous avez 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
Découvrez la simplicité de YOLOv5 PyTorch Hub inference, où les modèles sont téléchargés de manière 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 récupère automatiquement les modèles de la dernière YOLOv5 libération et enregistre facilement les résultats.
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
Formation
Reproduire le YOLOv5 COCO en suivant les instructions ci-dessous. Les critères modèles et ensembles de données sont tirés directement de la dernière YOLOv5 libération. La formation de YOLOv5n/s/m/l/x sur un V100 GPU devrait typiquement prendre 1/2/4/6/8 jours respectivement (notez que Multi-GPU fonctionnent plus rapidement). Maximiser les performances en utilisant les --batch-size ou utiliser --batch-size -1 pour les YOLOv5 AutoBatch caractéristiques. Les éléments suivants taille des lots 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
En conclusion, YOLOv5 n'est pas seulement un outil de pointe pour la détection d'objets, mais aussi un témoignage de la puissance de l'apprentissage automatique dans la transformation de la façon dont nous interagissons avec le monde grâce à la compréhension visuelle. Alors que vous progressez dans ce guide et que vous commencez à appliquer YOLOv5 à vos projets, n'oubliez pas que vous êtes à l'avant-garde d'une révolution technologique, capable de réaliser des exploits remarquables. Si vous avez besoin d'informations supplémentaires ou du soutien d'autres visionnaires, nous vous invitons à consulter notre dépôt GitHub, qui abrite une communauté florissante de développeurs et de chercheurs. Continuez à explorer, continuez à innover et profitez des merveilles de YOLOv5. Bonne détection ! 🌠🔍
