YOLOv5 क्विकस्टार्ट 🚀

के साथ वास्तविक समय वस्तु का पता लगाने के गतिशील दायरे में अपनी यात्रा पर लगना YOLOv5! यह मार्गदर्शिका एआई उत्साही और पेशेवरों के लिए एक व्यापक प्रारंभिक बिंदु के रूप में सेवा करने के लिए तैयार की गई है जो मास्टर करने का लक्ष्य रखते हैं YOLOv5. प्रारंभिक सेटअप से लेकर उन्नत प्रशिक्षण तकनीकों तक, हमने आपको कवर किया है। इस गाइड के अंत तक, आपके पास लागू करने का ज्ञान होगा YOLOv5 आत्मविश्वास से अपनी परियोजनाओं में। आइए इंजनों को प्रज्वलित करें और चढ़ें YOLOv5!

पदासीन करना

रिपॉजिटरी की क्लोनिंग और पर्यावरण की स्थापना करके लॉन्च की तैयारी करें। यह सुनिश्चित करता है कि सभी आवश्यक आवश्यकताएं स्थापित हैं। जांचें कि आपके पास है Python>=3.8.0 और PyTorch> = 1.8 टेकऑफ़ के लिए तैयार।

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

के साथ अनुमान PyTorch चक्रनाभि

की सादगी का अनुभव करें YOLOv5 PyTorch हब अनुमान, जहां मॉडल नवीनतम से मूल रूप से डाउनलोड किए जाते हैं YOLOv5 रिलीज।

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.

detect.py के साथ अनुमान

उपस्करण detect.py विभिन्न स्रोतों पर बहुमुखी अनुमान के लिए। यह स्वचालित रूप से प्राप्त करता है मॉडल नवीनतम से YOLOv5 निर्गमन और आसानी से परिणाम बचाता है।

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

प्रशिक्षण

को दोहराना YOLOv5 कोको नीचे दिए गए निर्देशों के साथ बेंचमार्क। आवश्यक मॉडल और डेटासेट नवीनतम से सीधे खींचे जाते हैं YOLOv5 निर्गमन. V5 GPU पर YOLOv100n/s/m/l/x प्रशिक्षण में आमतौर पर क्रमशः 1/2/4/6/8 दिन लगने चाहिए (ध्यान दें कि मल्टी-जीपीयू सेटअप तेजी से काम करते हैं)। उच्चतम संभव का उपयोग करके प्रदर्शन को अधिकतम करें --batch-size या उपयोग करें --batch-size -1 के लिए YOLOv5 ऑटोबैच लक्षण। निम्नलिखित बैच आकार V100-16GB GPU के लिए आदर्श हैं।

python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5n.yaml  --batch-size 128
                                                                 yolov5s                    64
                                                                 yolov5m                    40
                                                                 yolov5l                    24
                                                                 yolov5x                    16

निष्कर्ष निकालने के लिए, YOLOv5 न केवल ऑब्जेक्ट डिटेक्शन के लिए एक अत्याधुनिक उपकरण है, बल्कि दृश्य समझ के माध्यम से दुनिया के साथ बातचीत करने के तरीके को बदलने में मशीन लर्निंग की शक्ति का एक वसीयतनामा भी है। जैसा कि आप इस गाइड के माध्यम से आगे बढ़ते हैं और आवेदन करना शुरू करते हैं YOLOv5 अपनी परियोजनाओं के लिए, याद रखें कि आप एक तकनीकी क्रांति में सबसे आगे हैं, जो उल्लेखनीय उपलब्धि हासिल करने में सक्षम हैं। क्या आपको साथी दूरदर्शी लोगों से और अंतर्दृष्टि या समर्थन की आवश्यकता है, आपको डेवलपर्स और शोधकर्ताओं के संपन्न समुदाय के लिए हमारे GitHub रिपॉजिटरी होम में आमंत्रित किया जाता है। खोज करते रहें, नवाचार करते रहें, और के चमत्कारों का आनंद लें YOLOv5. पता लगाने में खुशी! 🌠🔍

टिप्पणियाँ