YOLOv5 Быстрый старт 🚀
Начните свое путешествие в динамичное царство обнаружения объектов в реальном времени с помощью 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. Давайте зажжем двигатели и взлетим на YOLOv5!
Установите
Подготовьтесь к запуску, клонировав репозиторий и создав среду. Это гарантирует, что все необходимые требования установлены. Проверьте, что у вас 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 PyTorch Концентратор
Оцените простоту YOLOv5 PyTorch Hub inference, где модели легко загружаются из последнейверсии 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 находит модели из последних YOLOv5 выпуск и легко сохраняет результаты.
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
Обучение
Размножить YOLOv5 COCO бенчмарки, следуя приведенным ниже инструкциям. Необходимые модели и наборы данных взяты непосредственно из последних YOLOv5 выпуск. Обучение YOLOv5n/s/m/l/x на V100 GPU обычно занимает 1/2/4/6/8 дней соответственно (обратите внимание, что МультиGPU установки работают быстрее). Максимизируйте производительность, используя максимально возможный --batch-size или использовать --batch-size -1 для YOLOv5 AutoBatch особенность. Следующие размеры партий идеально подходят для графических процессоров 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
В заключение можно сказать, 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 начиная применять YOLOv5 в своих проектах, помните, что вы находитесь на переднем крае технологической революции, способной совершить удивительные подвиги. Если вам понадобятся дополнительные знания или поддержка со стороны коллег-визионеров, приглашаем вас на наш репозиторий GitHub, где находится процветающее сообщество разработчиков и исследователей. Продолжайте исследовать, внедрять инновации и наслаждаться чудесами YOLOv5. Счастливого детектирования! 🌠🔍
