YOLOv5 Início rápido 🚀
Embarque na sua viagem ao reino dinâmico da deteção de objectos em tempo real com YOLOv5! Este guia foi concebido para servir de ponto de partida abrangente para entusiastas e profissionais de IA que pretendam 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 necessário para implementar YOLOv5 em seus projetos com confiança. Vamos ligar os motores e voar para YOLOv5!
Instalar
Prepare-se para o lançamento clonando o repositório e estabelecendo o ambiente. Isto garante que todos os requisitos necessários estão instalados. Verifique se tem Python>=3.8.0 e PyTorch>=1.8 prontos para descolar.
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 recentedo YOLOv5 .
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.
Inferência com detect.py
Arreios detect.py para uma inferência versátil em várias fontes. Obtém automaticamente modelos da última YOLOv5 libertação e guarda os resultados com facilidade.
python detect.py --weights yolov5s.pt --source 0 # webcam
image.jpg # image
video.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
Formação
Replicar o YOLOv5 COCO com as instruções abaixo. O necessário modelos e conjuntos de dados são retirados diretamente das últimas YOLOv5 libertação. O treino do YOLOv5n/s/m/l/x num V100 GPU deve demorar, normalmente, 1/2/4/6/8 dias, respetivamente (note-se que Multi-GPU funcionam mais rapidamente). Maximize o desempenho utilizando a maior potência possível --batch-size ou utilizar --batch-size -1 para o YOLOv5 AutoBatch caraterística. As seguintes tamanhos dos lotes são ideais para GPUs V100-16GB.
python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5n.yaml --batch-size 128
yolov5s 64
yolov5m 40
yolov5l 24
yolov5x 16
Para concluir, o YOLOv5 não é apenas uma ferramenta de ponta para a 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 o YOLOv5 aos seus projectos, lembre-se de que está na vanguarda de uma revolução tecnológica, capaz de alcançar feitos notáveis. Se precisar de mais informações ou do apoio de outros visionários, está convidado a visitar o nosso repositório GitHub, que alberga uma próspera comunidade de programadores e investigadores. Continue explorando, continue inovando e aproveite as maravilhas de YOLOv5. Feliz deteção! 🌠🔍
