YOLOv5 Guida rapida 🚀
Intraprendi il tuo viaggio nel regno dinamico del rilevamento degli oggetti in tempo reale con YOLOv5! Questa guida è stata realizzata per essere un punto di partenza completo per gli appassionati e i professionisti dell'intelligenza artificiale che desiderano padroneggiare YOLOv5. Dalla configurazione iniziale alle tecniche di addestramento avanzate, abbiamo pensato a te. Alla fine di questa guida, avrai le conoscenze necessarie per implementare YOLOv5 nei tuoi progetti con sicurezza. Accendiamo i motori e libriamoci in YOLOv5!
Installa
Preparati al lancio clonando il repository e creando l'ambiente. Questo assicura che tutti i requisiti necessari siano installati. Verifica 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
Prova la semplicità dell'inferenza di YOLOv5 PyTorch Hub, in cui 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 salva i risultati con facilità.
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
Formazione
Replicare il YOLOv5 COCO con le istruzioni riportate di seguito. Il necessario modelli e set di dati sono estratti direttamente dall'ultima versione di YOLOv5 rilascio. L'addestramento di YOLOv5n/s/m/l/x su una GPU V100 dovrebbe richiedere in genere rispettivamente 1/2/4/6/8 giorni (si noti che Multi-GPU le configurazioni funzionano più velocemente). Massimizza le prestazioni utilizzando il massimo livello possibile --batch-size
oppure usa --batch-size -1
per il YOLOv5 AutoBatch caratteristica. I seguenti 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 prosegui nella lettura di questa guida e inizi ad applicare YOLOv5 ai tuoi progetti, ricorda che sei all'avanguardia di una rivoluzione tecnologica, in grado di realizzare imprese straordinarie. Se hai bisogno di ulteriori approfondimenti o del supporto di altri visionari, sei invitato a visitare il nostro repository GitHub che ospita una fiorente comunità di sviluppatori e ricercatori. Continua a esplorare, a innovare e a goderti le meraviglie di YOLOv5. Buon rilevamento! 🌠🔍