YOLOv5 Быстрый старт 🚀
Начните свое путешествие в динамичное царство обнаружения объектов в реальном времени с помощью Ultralytics YOLOv5! Это руководство призвано стать всеобъемлющей отправной точкой для энтузиастов искусственного интеллекта и профессионалов, желающих освоить YOLOv5. От начальной настройки до продвинутых методов обучения- все это мы вам расскажем. К концу этого руководства вы будете обладать знаниями, позволяющими уверенно внедрять YOLOv5 в свои проекты, используя самые современные методы глубокого обучения. Давайте зажжем двигатели и взлетим в YOLOv5!
Установите
Подготовьтесь к запуску, клонировав репозиторийYOLOv5 и создав среду. Это гарантирует, что все необходимые требования установлены. Проверьте, что у вас есть Python.8.0 и PyTorch.8 готовы к взлету. Эти базовые инструменты очень важны для эффективной работы YOLOv5 .
git clone https://github.com/ultralytics/yolov5 # clone repository
cd yolov5
pip install -r requirements.txt # install dependencies
Выводы с помощью PyTorch Hub
Ощутите простоту вывода данных с помощью YOLOv5 PyTorch Hub, где модели легко загружаются из последнеговыпуска YOLOv5 . Этот метод использует возможности PyTorch для простой загрузки и выполнения моделей, что упрощает получение прогнозов.
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.
Выводы с помощью detect.py
Жгут detect.py для универсального вывод из различных источников. Он автоматически находит модели из последних YOLOv5 выпуск и легко сохраняет результаты. Этот скрипт идеально подходит для использования в командной строке и интеграции YOLOv5 в большие системы, поддерживая такие входные данные, как изображения, видео, каталоги, веб-камеры и даже прямые трансляции.
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
Обучение
Размножить YOLOv5 Набор данных COCO ориентиры, следуя инструкции по обучению ниже. Необходимый модели и наборы данных (например coco128.yaml или полный coco.yaml) взяты непосредственно из последней версии YOLOv5 выпуск. Обучение YOLOv5n/s/m/l/x на V100 GPU обычно занимает 1/2/4/6/8 дней соответственно (обратите внимание, что Обучение с использованием нескольких GPU процессоров установки работают быстрее). Максимизируйте производительность, используя максимально возможный --batch-size или использовать --batch-size -1 для YOLOv5 AutoBatch функция, которая автоматически находит оптимальный размер партии. Следующие размеры партий идеально подходят для графических процессоров V100-16GB. Обратитесь к нашему руководство по настройке для получения подробной информации о файлах конфигурации модели (*.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
В заключение следует отметить, что YOLOv5 - это не только современный инструмент для обнаружения объектов, но и свидетельство силы машинного обучения в преобразовании способов взаимодействия с миром через визуальное понимание. Изучая это руководство и приступая к применению YOLOv5 в своих проектах, помните, что вы находитесь на переднем крае технологической революции, способной совершить удивительные подвиги в области компьютерного зрения. Если вам понадобятся дальнейшие идеи или поддержка коллег по видению, приглашаем вас в наш репозиторий GitHub, где живет процветающее сообщество разработчиков и исследователей. Изучите дополнительные ресурсы, такие как Ultralytics HUB для управления наборами данных и обучения моделей без кода, или загляните на страницу наших решений, чтобы узнать о реальных приложениях и вдохновении. Продолжайте исследовать, внедрять инновации и наслаждаться чудесами YOLOv5. Счастливого детектирования! 🌠🔍
