YOLOv5 Avvio rapido 🚀
Intraprendete il vostro viaggio nel regno dinamico del rilevamento degli oggetti in tempo reale con YOLOv5! Questa guida è stata realizzata come punto di partenza completo per gli appassionati di IA e per i professionisti che desiderano padroneggiare YOLOv5. Dalla configurazione iniziale alle tecniche di addestramento avanzate, abbiamo pensato a voi. Alla fine di questa guida, avrete le conoscenze necessarie per implementare YOLOv5 nei vostri progetti con sicurezza. Accendiamo i motori e libriamoci in YOLOv5!
Installare
Prepararsi al lancio clonando il repository e creando l'ambiente. Questo assicura che tutti i requisiti necessari siano installati. Verificare di avere Python>=3.8.0 e PyTorch>=1.8 pronti per il decollo.
git clone https://github.com/ultralytics/yolov5 # clone repository
cd yolov5
pip install -r requirements.txt # install dependencies
Inferenza con PyTorch Hub
Provate la semplicità dell'inferenza di YOLOv5 PyTorch Hub, dove i modelli vengono scaricati senza problemi dall'ultimaversione di 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.
Inferenza con detect.py
Imbracatura detect.py per un'inferenza versatile su varie fonti. Recupera automaticamente modelli dall'ultimo YOLOv5 rilascio e salvare i risultati con facilità.
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
Formazione
Replicare il YOLOv5 COCO benchmark con le istruzioni riportate di seguito. Il necessario modelli e set di dati sono estratti direttamente dall'ultimo YOLOv5 rilascio. L'addestramento di YOLOv5n/s/m/l/x su un V100 GPU dovrebbe richiedere in genere rispettivamente 1/2/4/6/8 giorni (si noti che Multi-GPU le configurazioni funzionano più velocemente). Massimizzare le prestazioni utilizzando il massimo livello possibile di --batch-size o utilizzare --batch-size -1 per il YOLOv5 AutoBatch caratteristica. Il seguente dimensioni dei lotti sono ideali per le 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
Per concludere, YOLOv5 non è solo uno strumento all'avanguardia per il rilevamento degli oggetti, ma anche una testimonianza del potere dell'apprendimento automatico nel trasformare il modo in cui interagiamo con il mondo attraverso la comprensione visiva. Mentre procedete con questa guida e iniziate ad applicare YOLOv5 ai vostri progetti, ricordate che siete all'avanguardia di una rivoluzione tecnologica, in grado di realizzare imprese straordinarie. Se avete bisogno di ulteriori approfondimenti o del supporto di altri visionari, siete invitati a visitare il nostro repository GitHub, che ospita una fiorente comunità di sviluppatori e ricercatori. Continuate a esplorare, a innovare e a godervi le meraviglie di YOLOv5. Buona rilevazione! 🌠🔍
