Início rápido do YOLOv5 🚀

Embarca na tua jornada pelo mundo dinâmico da object detection em tempo real com o Ultralytics YOLOv5! Este guia foi concebido para servir como um ponto de partida abrangente para entusiastas e profissionais de IA que pretendem dominar o YOLOv5. Desde a configuração inicial até às técnicas de treino avançadas, temos tudo o que precisas. No final deste guia, terás o conhecimento necessário para implementar o YOLOv5 nos teus projetos com confiança, utilizando métodos de deep learning de última geração. Vamos ligar os motores e levantar voo com o YOLOv5!

Instalar

Prepara-te para o lançamento clonando o repositório YOLOv5 e configurando o ambiente. Isto garante que todos os requisitos necessários estão instalados. Verifica se tens o Python>=3.8.0 e o PyTorch>=1.8 prontos para a descolagem. Estas ferramentas fundamentais são cruciais 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 PyTorch Hub

Experimenta a simplicidade da inferência com o PyTorch Hub do YOLOv5, onde os modelos são descarregados de forma transparente a partir do último release do YOLOv5. Este método tira partido do poder do PyTorch para carregar e executar modelos facilmente, tornando simples 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()  # Other options: .show(), .save(), .crop(), .pandas(), etc. Explore these in the Predict mode documentation.

Inferência com detect.py

Utiliza o detect.py para uma inferência versátil em várias fontes. Ele obtém automaticamente os modelos do último release do YOLOv5 e guarda os resultados facilmente. Este script é ideal para utilização na linha de comandos e para integrar o YOLOv5 em sistemas maiores, suportando entradas como imagens, vídeos, diretórios, webcams e até live streams.

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

Treinamento

Replica os benchmarks do COCO dataset do YOLOv5 seguindo as instruções de treino abaixo. Os modelos e datasets necessários (como coco128.yaml ou o coco.yaml completo) são obtidos diretamente do último release do YOLOv5. Treinar o YOLOv5n/s/m/l/x num GPU V100 deve levar tipicamente 1/2/4/6/8 dias respetivamente (nota que as configurações de Multi-GPU training funcionam mais rapidamente). Maximiza o desempenho usando o --batch-size mais elevado possível ou usa --batch-size -1 para a funcionalidade AutoBatch do YOLOv5, que encontra automaticamente o batch size ideal. Os seguintes batch sizes são ideais para GPUs V100-16GB. Consulta o nosso guia de configuração para 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 ponta para deteção de objetos, mas também um testemunho do poder do machine learning na transformação da forma como interagimos com o mundo através da compreensão visual. À medida que avanças neste guia e começas a aplicar o YOLOv5 aos teus projetos, lembra-te que estás na vanguarda de uma revolução tecnológica, capaz de alcançar feitos notáveis em computer vision. Se precisares de mais informações ou apoio de outros visionários, estás convidado para o nosso repositório GitHub, casa de uma comunidade próspera de programadores e investigadores. Explora mais recursos como a Ultralytics Platform para gestão de datasets e treino de modelos sem código, ou consulta a nossa página de Soluções para aplicações no mundo real e inspiração. Continua a explorar, continua a inovar e desfruta das maravilhas do YOLOv5. Boa deteção! 🌠🔍