YOLOv5 Início rápido 🚀
Embarque na sua viagem ao reino dinâmico da deteção de objectos em tempo real com o Ultralytics YOLOv5! Este guia foi criado para servir como um ponto de partida abrangente para entusiastas e profissionais de IA que desejam dominar o YOLOv5. Desde a configuração inicial até às técnicas de formação avançadas, temos tudo o que precisa. No final deste guia, você terá o conhecimento para implementar 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 repositórioYOLOv5 e estabelecendo o ambiente. Isso garante que todos os requisitos necessários estejam instalados. Verifique se você tem Python.8.0 e PyTorch.8 prontos para decolar. Essas ferramentas fundamentais são cruciais para executar 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 YOLOv5 PyTorch Hub, onde os modelos são descarregados sem problemas a partir daversão mais recente 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.
Inferência com detect.py
Arreios detect.py para versáteis inferência em várias fontes. Vai buscar automaticamente modelos da última YOLOv5 libertação e guarda os resultados com facilidade. Este script é ideal para utilização na linha de comandos e para integrar YOLOv5 em sistemas maiores, suportando entradas como imagens, vídeos, diretórios, webcams e até transmissões em direto.
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
Formação
Replicar o YOLOv5 Conjunto de dados COCO benchmarks, seguindo os instruções de formação abaixo. O necessário modelos e conjuntos de dados (como coco128.yaml ou a versão completa coco.yaml) são extraídos diretamente da última versão YOLOv5 libertação. Treinar o YOLOv5n/s/m/l/x numa V100 GPU deverá demorar, normalmente, 1/2/4/6/8 dias, respetivamente (note-se que Formação GPU funcionam mais rapidamente). Maximize o desempenho utilizando a maior potência possível --batch-size ou utilizar --batch-size -1 para o YOLOv5 AutoBatch que encontra automaticamente a melhor tamanho do lote. Os seguintes tamanhos de lote são ideais para GPUs V100-16GB. Consulte a nossa guia de configuração para mais pormenores sobre 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, YOLOv5 não é apenas uma ferramenta de última geração para deteção de objectos, mas também um testemunho do poder da aprendizagem automática na transformação da forma como interagimos com o mundo através da compreensão visual. À medida que avança neste guia e começa a aplicar YOLOv5 aos seus projectos, lembre-se de que está na vanguarda de uma revolução tecnológica, capaz de alcançar feitos notáveis na visão computacional. Se precisar de mais informações ou do apoio de outros visionários, está convidado a visitar o nosso repositório GitHub, que alberga uma comunidade próspera de programadores e investigadores. Explore outros recursos, como o Ultralytics HUB, para gestão de conjuntos de dados e formação de modelos sem código, ou consulte a nossa página Soluções para obter inspiração e aplicações do mundo real. Continue explorando, continue inovando e aproveite as maravilhas do YOLOv5. Feliz deteção! 🌠🔍
