YOLOv5 빠른 시작 🚀
실시간 물체 감지의 역동적인 영역으로 Ultralytics YOLOv5 함께 여행을 시작하세요! 이 가이드는 YOLOv5 마스터하고자 하는 AI 애호가와 전문가를 위한 종합적인 시작점 역할을 하도록 제작되었습니다. 초기 설정부터 고급 훈련 기법까지 모든 것을 다룹니다. 이 가이드가 끝날 때쯤이면 프로젝트에 YOLOv5 자신 있게 구현할 수 있는 지식을 갖추게 될 것입니다. 이제 엔진에 불을 붙이고 YOLOv5 날아오르세요!
설치
리포지토리를 복제하고 환경을 설정하여 출시를 준비합니다. 이렇게 하면 필요한 모든 요구 사항이 설치됩니다. 다음 사항을 확인하세요. Python>=3.8.0 및 PyTorch>=1.8 이 준비되었는지 확인합니다.
git clone https://github.com/ultralytics/yolov5 # clone repository
cd yolov5
pip install -r requirements.txt # install dependencies
를 사용한 추론 PyTorch Hub
최신 YOLOv5 릴리스에서 모델을 원활하게 다운로드할 수 있는 YOLOv5 PyTorch 허브 추론의 간편함을 경험해 보세요.
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.py를 사용한 추론
하네스 detect.py 를 사용하여 다양한 소스에 대한 다양한 추론을 수행할 수 있습니다. 자동으로 다음을 가져옵니다. 모델 최신 YOLOv5 릴리스 를 클릭하고 결과를 쉽게 저장할 수 있습니다.
python detect.py --weights yolov5s.pt --source 0 # webcam
python detect.py --weights yolov5s.pt --sourceimage.jpg # image
python detect.py --weights yolov5s.pt --sourcevideo.mp4 # video
python detect.py --weights yolov5s.pt --sourcescreen # screenshot
python detect.py --weights yolov5s.pt --sourcepath/ # directory
python detect.py --weights yolov5s.pt --sourcelist.txt # list of images
python detect.py --weights yolov5s.pt --sourcelist.streams # list of streams
python detect.py --weights yolov5s.pt --source'path/*.jpg' # glob
python detect.py --weights yolov5s.pt --source'https://youtu.be/LNwODJXcvt4' # YouTube
python detect.py --weights yolov5s.pt --source'rtsp://example.com/media.mp4' # RTSP, RTMP, HTTP stream
교육
복제 YOLOv5 COCO 벤치마크에 대한 자세한 내용은 아래 지침을 참조하세요. 필요한 모델 그리고 데이터 세트 에서 직접 가져온 것입니다. YOLOv5 릴리스. V100 GPU 에서 YOLOv5n/s/m/l/x를 교육하는 데는 일반적으로 각각 1/2/4/6/8일이 소요됩니다. 멀티GPU 설정이 더 빠르게 작동합니다). 가능한 최고 수준의 --batch-size 또는 --batch-size -1 에 대한 YOLOv5 자동 배치 기능을 사용하세요. 다음 기능 배치 크기 는 V100-16GB GPU에 이상적입니다.
python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5n.yaml --batch-size 128
python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5s.yaml --batch-size 64
python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5m.yaml --batch-size 40
python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5l.yaml --batch-size 24
python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5x.yaml --batch-size 16
결론적으로, YOLOv5 은 물체 감지를 위한 최첨단 도구일 뿐만 아니라 시각적 이해를 통해 세상과 상호작용하는 방식을 변화시키는 머신러닝의 힘을 보여주는 증거이기도 합니다. 이 가이드를 진행하면서 YOLOv5 을 프로젝트에 적용하기 시작하면 놀라운 업적을 달성할 수 있는 기술 혁명의 최전선에 서 있다는 사실을 기억하세요. 더 많은 인사이트나 동료 선구자들의 지원이 필요하다면, 활발한 개발자 및 연구자 커뮤니티가 있는 GitHub 리포지토리에 초대합니다. 계속 탐색하고, 계속 혁신하고, YOLOv5 의 경이로움을 즐겨보세요. 행복한 탐험이 되세요! 🌠🔍
