コンテンツへスキップ

YOLOv5 クイックスタート

YOLOv5 を使って、リアルタイム物体検出のダイナミックな領域への旅に出よう!このガイドは、YOLOv5 をマスターすることを目指すAI愛好家や専門家のための包括的な出発点として作成されています。初期セットアップから高度なトレーニングテクニックまで、このガイドでカバーできます。このガイドが終わる頃には、YOLOv5 をあなたのプロジェクトに自信を持って実装するための知識が身についていることでしょう。エンジンを始動させ、YOLOv5 に飛び込もう!

インストール

リポジトリをクローンして環境を構築し、ローンチの準備をする。これにより、必要な要件がすべてインストールされていることを確認します。以下を確認してください Python>=3.8.0と PyTorch>=1.8が用意されていることを確認してください。

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

による推論PyTorch Hub

シンプルなYOLOv5 PyTorch Hubモデルは最新のYOLOv5 リリースからシームレスにダウンロードされます。

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による推論

ハーネス detect.py 様々なソースに対して多目的な推論を行う。自動的に モデル 最新情報からYOLOv5 リリース そして簡単に結果を保存することができる。

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

トレーニング

を複製する。YOLOv5 COCO ベンチマークは以下の説明に従ってください。必要な モデル そして データセット は最新のYOLOv5 リリース.V100GPUでYOLOv5n/s/m/l/xをトレーニングする場合、通常、それぞれ1/2/4/6/8日かかるはずです。 マルチGPU のセットアップを高速化)。可能な限り高い --batch-size または --batch-size -1 のためにYOLOv5 オートバッチ 特徴以下のバッチサイズはV100-16GB GPUに最適です。

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

YOLO トレーニングカーブ

結論として、YOLOv5 は物体検出のための最先端のツールであるだけでなく、視覚的理解を通じて世界との関わり方を変革する機械学習の力を証明するものでもある。このガイドを読み進め、YOLOv5 をあなたのプロジェクトに適用し始めたら、あなたは驚くべき偉業を達成できる技術革命の最前線にいることを思い出してください。さらなる洞察や先見の明を持つ仲間からのサポートが必要な場合は、開発者や研究者の盛んなコミュニティがあるGitHubリポジトリにご招待します。探求し続け、革新し続け、YOLOv5 の驚異を楽しんでください!🌠🔍



作成日:2023-11-12 更新日:2023-12-03
作成者:glenn-jocher(2)

コメント