YOLOv5 Быстрый старт 🚀.
Начни свое путешествие в динамичное царство обнаружения объектов в реальном времени с YOLOv5! Это руководство призвано стать всеобъемлющей отправной точкой для энтузиастов искусственного интеллекта и профессионалов, стремящихся освоить YOLOv5. От начальной настройки до продвинутых техник обучения - у нас есть все, что тебе нужно. К концу этого руководства у тебя будет достаточно знаний, чтобы уверенно внедрять YOLOv5 в свои проекты. Давай зажжем двигатели и взлетим в YOLOv5!
Установи
Подготовься к запуску, клонировав репозиторий и создав окружение. Это гарантирует, что все необходимые требования установлены. Проверь, что у тебя Python>=3.8.0 и PyTorch>=1.8 готовы к взлету.
git clone https://github.com/ultralytics/yolov5 # clone repository
cd yolov5
pip install -r requirements.txt # install dependencies
Умозаключение с помощью PyTorch Hub
Ощути простоту YOLOv5 PyTorch Hub inference, где модели без проблем загружаются из последнегорелиза 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.
Выводы с помощью detect.py
Жгут detect.py для универсальных выводов по различным источникам. Он автоматически подбирает модели из последних YOLOv5 освободи и с легкостью сохраняй результаты.
python detect.py --weights yolov5s.pt --source 0 # webcam
img.jpg # image
vid.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
Тренировка
Повторите YOLOv5 COCO бенчмарки с помощью инструкций ниже. Необходимые модели и Наборы данных Они взяты прямо из последней версии YOLOv5 освободи. Обучение YOLOv5n/s/m/l/x на V100 GPU обычно занимает 1/2/4/6/8 дней соответственно (учти, что МультиGPU установки работают быстрее). Максимизируй производительность, используя максимально возможный --batch-size или использовать --batch-size -1 для YOLOv5 AutoBatch Особенность. Для графических процессоров V100-16GB идеально подходят следующие размеры партий.
python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5n.yaml --batch-size 128
yolov5s 64
yolov5m 40
yolov5l 24
yolov5x 16
В заключение хочу сказать, что YOLOv5 - это не только современный инструмент для обнаружения объектов, но и свидетельство силы машинного обучения в преобразовании того, как мы взаимодействуем с миром посредством визуального понимания. По мере того как ты будешь изучать это руководство и начнешь применять YOLOv5 в своих проектах, помни, что ты находишься на переднем крае технологической революции, способной совершать удивительные подвиги. Если тебе понадобятся дополнительные знания или поддержка коллег-визионеров, приглашаем тебя на наш репозиторий GitHub, где обитает процветающее сообщество разработчиков и исследователей. Продолжай исследовать, внедряй инновации и наслаждайся чудесами YOLOv5. Счастливого детектирования! 🌠🔍
