Guida rapida a YOLOv5 🚀#

Inizia il tuo viaggio nell'affascinante mondo del rilevamento degli oggetti in tempo reale con Ultralytics YOLOv5! Questa guida è pensata come punto di partenza completo per appassionati e professionisti dell'IA che vogliono padroneggiare YOLOv5. Dalla configurazione iniziale alle tecniche di addestramento avanzate, troverai tutto ciò che ti serve. Al termine di questa guida, avrai le conoscenze necessarie per implementare YOLOv5 nei tuoi progetti con sicurezza, utilizzando metodi di deep learning all'avanguardia. Accendiamo i motori e lanciamoci alla scoperta di YOLOv5!

Installazione#

Preparati al lancio clonando il repository di YOLOv5 e configurando l'ambiente. In questo modo ti assicuri che tutti i requisiti necessari siano installati. Verifica di avere Python>=3.8.0 e PyTorch>=1.8 pronti al decollo. Questi strumenti fondamentali sono indispensabili per eseguire YOLOv5 in modo efficace.

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

Inferenza con PyTorch Hub#

Scopri la semplicità dell'inferenza di YOLOv5 con PyTorch Hub, dove i modelli vengono scaricati automaticamente dall'ultima release di YOLOv5. Questo metodo sfrutta la potenza di PyTorch per caricare ed eseguire facilmente i modelli, rendendo semplice ottenere le predizioni.

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.

Inferenza con detect.py#

Sfrutta detect.py per eseguire l'inferenza su diverse sorgenti. Scarica automaticamente i modelli dall'ultima release di YOLOv5 e salva i risultati con facilità. Questo script è ideale per l'utilizzo dalla riga di comando e per integrare YOLOv5 in sistemi più ampi, supportando input come immagini, video, directory, webcam e persino flussi in diretta.

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

Addestramento#

Replica i benchmark sul dataset COCO di YOLOv5 seguendo le istruzioni per l'addestramento riportate di seguito. I modelli e i dataset necessari, come coco128.yaml o il coco.yaml completo, vengono scaricati direttamente dall'ultima release di YOLOv5. L'addestramento di YOLOv5n/s/m/l/x su una GPU V100 dovrebbe richiedere in genere rispettivamente 1/2/4/6/8 giorni (tieni presente che le configurazioni di addestramento multi-GPU sono più veloci). Massimizza le prestazioni utilizzando il valore più alto possibile di --batch-size oppure usa --batch-size -1 per la funzionalità AutoBatch di YOLOv5, che individua automaticamente la dimensione del batch ottimale. Le seguenti dimensioni del batch sono ideali per le GPU V100 da 16 GB. Consulta la nostra guida alla configurazione per informazioni dettagliate sui file di configurazione dei modelli (*.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

In conclusione, YOLOv5 non è solo uno strumento all'avanguardia per il rilevamento degli oggetti, ma anche una testimonianza della potenza del machine learning nel trasformare il modo in cui interagiamo con il mondo attraverso la comprensione visiva. Mentre prosegui con questa guida e inizi ad applicare YOLOv5 ai tuoi progetti, ricorda che sei in prima linea in una rivoluzione tecnologica, con la capacità di realizzare risultati straordinari nella computer vision. Se hai bisogno di ulteriori informazioni o del supporto di altri esperti del settore, ti invitiamo a visitare il nostro repository su GitHub, sede di una vivace community di sviluppatori e ricercatori. Esplora ulteriori risorse, come Ultralytics Platform, per gestire dataset e addestrare modelli senza scrivere codice, oppure consulta la nostra pagina Soluzioni per applicazioni reali e nuove idee. Continua a esplorare, continua a innovare e goditi le meraviglie di YOLOv5. Buon rilevamento! 🌠🔍