Início Rápido do YOLOv5 🚀
Embarque em sua jornada no reino dinâmico da detecção de objetos em tempo real com o Ultralytics YOLOv5! Este guia foi elaborado para servir como um ponto de partida abrangente para entusiastas e profissionais de IA que desejam dominar o YOLOv5. Desde a configuração inicial até as técnicas de treinamento avançadas, nós temos tudo o que você precisa. Ao final deste guia, você terá o conhecimento para implementar o YOLOv5 em seus projetos com confiança, usando métodos de aprendizado profundo de última geração. Vamos ligar os motores e voar para o YOLOv5!
Instalar
Prepare-se para o lançamento clonando o repositório YOLOv5 e estabelecendo o ambiente. Isso garante que todos os requisitos necessários sejam instalados. Verifique se você tem Python>=3.8.0 e PyTorch>=1.8 prontos para a decolagem. Essas 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
Experimente a simplicidade da inferência do PyTorch Hub do YOLOv5, onde os modelos são baixados perfeitamente da última versão do YOLOv5. Este método aproveita o poder do PyTorch para facilitar o carregamento e a execução do modelo, 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.
Inference com detect.py
Aproveitar detect.py para versátil inferência em várias fontes. Ele busca automaticamente modelos do mais recente YOLOv5 lançamento 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
Treinamento
Replicar o YOLOv5 Conjunto de dados COCO benchmarks seguindo o instruções de treinamento abaixo. O necessário modelos e conjuntos de dados (como coco128.yaml ou o completo coco.yaml) são extraídos diretamente do YOLOv5 mais recente lançamento. Treinando YOLOv5n/s/m/l/x em uma V100 GPU normalmente deve levar 1/2/4/6/8 dias, respectivamente (note que Treinamento Multi-GPU as configurações funcionam mais rápido). Maximize o desempenho usando o mais alto possível --batch-size ou use --batch-size -1 para o YOLOv5 AutoBatch recurso, que encontra automaticamente o ideal tamanho de lote. Os seguintes tamanhos de lote são ideais para GPUs V100-16GB. Consulte o nosso guia de configuração para detalhes sobre arquivos de configuração do modelo (*.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 detecção 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 você avança neste guia e começa a aplicar o YOLOv5 em seus projetos, lembre-se de que você está na vanguarda de uma revolução tecnológica, capaz de alcançar feitos notáveis em visão computacional. Caso precise de mais informações ou suporte de outros visionários, você está convidado ao nosso repositório GitHub, lar de uma próspera comunidade de desenvolvedores e pesquisadores. Explore outros recursos como a Plataforma Ultralytics para gerenciamento de conjuntos de dados e treinamento de modelos sem código, ou confira nossa página de Soluções para aplicações e inspirações do mundo real. Continue explorando, continue inovando e aproveite as maravilhas do YOLOv5. Feliz detect! 🌠🔍
