YOLOv5 Snelstart ๐
Begin je reis naar het dynamische rijk van real-time objectdetectie met YOLOv5! Deze gids is gemaakt om te dienen als een uitgebreid startpunt voor AI-enthousiastelingen en professionals die YOLOv5 onder de knie willen krijgen. Van de eerste installatie tot geavanceerde trainingstechnieken, we hebben alles voor je. Aan het eind van deze gids heb je de kennis om YOLOv5 vol vertrouwen in je projecten te implementeren. Laten we de motoren starten en naar YOLOv5 vliegen!
Installeer
Bereid de lancering voor door de repository te klonen en de omgeving in te richten. Dit zorgt ervoor dat alle benodigde vereisten zijn geรฏnstalleerd. Controleer of je Python>=3.8.0 en PyTorch>=1.8 klaar hebt om op te stijgen.
git clone https://github.com/ultralytics/yolov5 # clone repository
cd yolov5
pip install -r requirements.txt # install dependencies
Inferentie met PyTorch Hub
Ervaar de eenvoud van YOLOv5 PyTorch Hub inferentie, waarbij modellen naadloos worden gedownload van de nieuwste YOLOv5 release.
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.
Inferentie met detect.py
Harnas detect.py
voor veelzijdige inferentie op verschillende bronnen. Het haalt automatisch modellen van de nieuwste YOLOv5 vrijgave en slaat gemakkelijk resultaten op.
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
Training
Repliceer de YOLOv5 COCO benchmarks met de onderstaande instructies. De benodigde modellen en datasets worden rechtstreeks uit de nieuwste YOLOv5 vrijgave. Het trainen van YOLOv5n/s/m/l/x op een V100 GPU duurt normaal gesproken respectievelijk 1/2/4/6/8 dagen (merk op dat Multi-GPU opstellingen sneller werken). Maximaliseer de prestaties door de hoogst mogelijke --batch-size
of gebruik --batch-size -1
voor de YOLOv5 AutoBatch functie. De volgende batchgroottes zijn ideaal voor V100-16GB GPU's.
python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5n.yaml --batch-size 128
yolov5s 64
yolov5m 40
yolov5l 24
yolov5x 16
Tot slot is YOLOv5 niet alleen een geavanceerd hulpmiddel voor objectdetectie, maar ook een bewijs van de kracht van machinaal leren bij het transformeren van de manier waarop we met de wereld omgaan door visueel begrip. Als je deze gids doorneemt en YOLOv5 begint toe te passen op je projecten, onthoud dan dat je in de voorhoede staat van een technologische revolutie, die in staat is om opmerkelijke prestaties te leveren. Mocht je meer inzichten of ondersteuning nodig hebben van mede-visionairs, dan kun je terecht op onze GitHub repository waar een bloeiende gemeenschap van ontwikkelaars en onderzoekers is gevestigd. Blijf ontdekken, blijf innoveren en geniet van de wonderen van YOLOv5. Veel plezier met detecteren! ๐ ๐