Início rápido do YOLOv5 🚀#

Embarca na tua jornada pelo mundo dinâmico da deteção de objetos em tempo real com o Ultralytics YOLOv5! Este guia foi criado para servir como um ponto de partida abrangente para entusiastas e profissionais de inteligência artificial que pretendem dominar o YOLOv5. Desde a configuração inicial até às técnicas avançadas de treino, encontrarás tudo o que precisas. No final deste guia, terás os conhecimentos necessários para implementar o YOLOv5 nos teus projetos com confiança, utilizando métodos de deep learning de última geração. Vamos ligar os motores e voar rumo ao YOLOv5!

Instalação#

Prepara o lançamento clonando o repositório do YOLOv5 e configurando o ambiente. Isto garante que todos os requisitos necessários estão instalados. Confirma que tens o Python>=3.8.0 e o PyTorch>=1.8 prontos para descolar. Estas ferramentas fundamentais são essenciais para executar o YOLOv5 de forma eficaz.

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

Inferência com o PyTorch Hub#

Experimente a simplicidade da inferência do PyTorch Hub, onde os modelos são transferidos sem problemas a partir da versão mais recente do YOLOv5. Este método tira partido do poder do PyTorch para carregar e executar modelos facilmente, simplificando a obtenção de previsões.

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()  # or .show(), .save(), .crop(), .pandas(), etc.

Inferência com detect.py#

Aproveita o detect.py para inferência versátil em várias fontes. O script busca automaticamente modelos da versão mais recente do YOLOv5 release e guarda os resultados com facilidade. Este script é ideal para uso na linha de comandos e para integrar o YOLOv5 em sistemas maiores, suportando entradas como imagens, vídeos, diretórios, webcams e até transmissões ao vivo.

python detect.py --weights yolov5s.pt --source 0                              # webcam
python detect.py --weights yolov5s.pt --source image.jpg                      # image
python detect.py --weights yolov5s.pt --source video.mp4                      # video
python detect.py --weights yolov5s.pt --source screen                         # screenshot
python detect.py --weights yolov5s.pt --source path/                          # directory
python detect.py --weights yolov5s.pt --source list.txt                       # list of images
python detect.py --weights yolov5s.pt --source list.streams                   # list of streams
python detect.py --weights yolov5s.pt --source 'path/*.jpg'                   # glob pattern
python detect.py --weights yolov5s.pt --source 'https://youtu.be/LNwODJXcvt4' # YouTube video
python detect.py --weights yolov5s.pt --source 'rtsp://example.com/media.mp4' # RTSP, RTMP, HTTP stream

Treino#

Replica as benchmarks do YOLOv5 COCO dataset seguindo as instruções de treino abaixo. Os modelos e os conjuntos de dados necessários (como o coco128.yaml ou o coco.yaml completo) são obtidos diretamente da versão mais recente do YOLOv5 release. O treino do YOLOv5n/s/m/l/x numa GPU V100 deve demorar tipicamente 1/2/4/6/8 dias respetivamente (nota que as configurações de treino com múltiplas GPU funcionam mais depressa). Maximiza o desempenho utilizando o --batch-size mais alto possível ou utiliza o --batch-size -1 para a funcionalidade AutoBatch do YOLOv5, que encontra automaticamente o tamanho do lote ideal. Os seguintes tamanhos de lote são ideais para GPUs V100-16GB. Consulta o Resumo da Arquitetura para obter detalhes sobre os ficheiros de configuração de modelos (*.yaml).

# Train YOLOv5n on COCO128 for 3 epochs
python train.py --data coco128.yaml --epochs 3 --weights yolov5n.pt --batch-size 128

# Train YOLOv5s on COCO for 300 epochs
python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5s.yaml --batch-size 64

# Train YOLOv5m on COCO for 300 epochs
python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5m.yaml --batch-size 40

# Train YOLOv5l on COCO for 300 epochs
python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5l.yaml --batch-size 24

# Train YOLOv5x on COCO for 300 epochs
python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5x.yaml --batch-size 16

Para concluir, o YOLOv5 não é apenas uma ferramenta de última geração para a deteção de objetos, mas também um testemunho do poder da aprendizagem automática para transformar a forma como interagimos com o mundo através da compreensão visual. À medida que avanças neste guia e começas a aplicar o YOLOv5 nos teus projetos, lembra-te de que estás na vanguarda de uma revolução tecnológica, capaz de alcançar feitos notáveis em visão computacional. Se precisares de mais informações ou do apoio de outros especialistas em visão, visita o nosso repositório no GitHub, onde encontrarás uma comunidade ativa de programadores e investigadores. Explora recursos adicionais, como a Ultralytics Platform, para gerir datasets e treinar modelos sem código, ou consulta a nossa página de Soluções para aplicações e inspiração no mundo real. Continua a explorar, continua a inovar e desfruta das maravilhas do YOLOv5. Boas deteções! 🌠🔍

Perguntas frequentes#