YOLOv5 Hızlı Başlangıç 🚀#

Ultralytics YOLOv5 ile gerçek zamanlı nesne tespiti dünyasına adım at! Bu kılavuz, YOLOv5'te uzmanlaşmayı hedefleyen yapay zekâ meraklıları ve profesyoneller için kapsamlı bir başlangıç noktası sunmak üzere hazırlandı. İlk kurulumdan gelişmiş eğitim tekniklerine kadar her konuda yanındayız. Bu kılavuzun sonunda, en gelişmiş derin öğrenme yöntemlerini kullanarak YOLOv5'i projelerine güvenle uygulayabilecek bilgiye sahip olacaksın. Motorları çalıştırıp YOLOv5 dünyasına doğru yükselmeye başlayalım!

Yükleme#

YOLOv5 deposunu klonlayıp ortamı oluşturarak çalıştırmaya hazırlan. Bu işlem, gerekli tüm gereksinimlerin yüklenmesini sağlar. Python>=3.8.0 ve PyTorch>=1.8 sürümlerinin hazır olduğunu kontrol et. Bu temel araçlar, YOLOv5'i etkili bir şekilde çalıştırmak için kritik öneme sahiptir.

git clone https://github.com/ultralytics/yolov5 # clone repository
cd yolov5
pip install -r requirements.txt # install dependencies

PyTorch Hub ile Çıkarım#

YOLOv5 PyTorch Hub çıkarımının kolaylığını deneyimle; modeller en yeni YOLOv5 sürümünden sorunsuz bir şekilde indirilir. Bu yöntem, model yükleme ve çalıştırmayı kolaylaştırmak için PyTorch gücünden yararlanır ve tahmin almayı basit hâle getirir.

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.

detect.py ile Çıkarım#

Çeşitli kaynaklarda esnek çıkarım yapmak için detect.py aracından yararlan. En yeni YOLOv5 sürümündeki modelleri otomatik olarak indirir ve sonuçları kolayca kaydeder. Bu betik, komut satırı kullanımı ve YOLOv5'i daha büyük sistemlere entegre etmek için idealdir; görüntüler, videolar, dizinler, web kameraları ve hatta canlı akışlar gibi girdeleri destekler.

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

Eğitim#

Aşağıdaki eğitim talimatlarını izleyerek YOLOv5 COCO veri kümesi kıyaslamalarını tekrarla. Gerekli modeller ve veri kümeleri (coco128.yaml veya tam coco.yaml gibi) doğrudan en yeni YOLOv5 sürümünden alınır. YOLOv5n/s/m/l/x modellerini bir V100 GPU üzerinde eğitmek genellikle sırasıyla 1/2/4/6/8 gün sürmelidir (birden fazla GPU ile eğitim kurulumlarının daha hızlı çalıştığını unutma). En yüksek performansı elde etmek için mümkün olan en yüksek --batch-size değerini kullan veya en uygun batch boyutunu otomatik olarak bulan YOLOv5 AutoBatch özelliği için --batch-size -1 kullan. Aşağıdaki batch boyutları V100-16GB GPU'lar için idealdir. Model yapılandırma dosyaları (*.yaml) hakkında ayrıntılar için yapılandırma kılavuzumuza başvur.

# 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

Sonuç olarak YOLOv5, yalnızca nesne tespiti için en gelişmiş araçlardan biri değil, aynı zamanda görsel anlayış aracılığıyla dünyayla etkileşim biçimimizi dönüştüren makine öğrenmesinin gücünün de bir göstergesidir. Bu kılavuzda ilerleyip YOLOv5'i projelerine uygulamaya başladıkça, bilgisayarlı görü alanında olağanüstü başarılara imza atabilecek teknolojik bir devrimin ön saflarında olduğunu unutma. Daha fazla bilgiye veya diğer vizyonerlerden desteğe ihtiyaç duyarsan, gelişen bir geliştirici ve araştırmacı topluluğuna ev sahipliği yapan GitHub depomuza davetlisin. Veri kümesi yönetimi ve kod yazmadan model eğitimi için Ultralytics Platform gibi ek kaynakları keşfet veya gerçek dünyadaki uygulamalar ve ilham için Çözümler sayfamıza göz at. Keşfetmeye ve yenilik yapmaya devam et; YOLOv5'in harikalarının tadını çıkar. Mutlu tespitler! 🌠🔍