YOLOv5 Hızlı Başlangıç 🚀#

Ultralytics YOLOv5 ile gerçek zamanlı nesne algılama dünyasına heyecan verici bir yolculuğa çık! Bu kılavuz, YOLOv5'te uzmanlaşmayı hedefleyen yapay zekâ meraklıları ve profesyoneller için kapsamlı bir başlangıç noktası olarak hazırlandı. İlk kurulumdan ileri düzey eğitim tekniklerine kadar her konuda yanındayız. Bu kılavuzun sonunda, son teknoloji derin öğrenme yöntemlerini kullanarak YOLOv5'i projelerinde güvenle uygulayacak bilgiye sahip olacaksın. Motorları çalıştırıp YOLOv5 ile yola çıkalım!

Yükleme#

YOLOv5 deposunu klonlayıp ortamı kurarak fırlatmaya hazırlan. Böylece gerekli tüm gereksinimlerin yüklendiğinden emin olursun. Python>=3.8.0 ve PyTorch>=1.8 sürümlerinin kullanıma hazır olduğunu doğrula. Bu temel araçlar, YOLOv5'i etkili 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#

En yeni YOLOv5 sürümünden modellerin sorunsuzca indirildiği YOLOv5 PyTorch Hub çıkarımının kolaylığını deneyimle. Bu yöntem, modelleri kolayca yükleyip çalıştırmak ve tahmin almak için PyTorch gücünden yararlanır.

import torch

# Model yükleme
model = torch.hub.load("ultralytics/yolov5", "yolov5s")  # 'yolov5n' - 'yolov5x6' veya 'custom' olabilir

# Görüntüler üzerinde çıkarım
img = "https://ultralytics.com/images/zidane.jpg"  # Dosya, Path, PIL, OpenCV, numpy veya görüntü listesi olabilir

# Çıkarımı çalıştır
results = model(img)

# Sonuçları göster
results.print()  # or .show(), .save(), .crop(), .pandas(), etc.

detect.py ile çıkarım#

Çeşitli kaynaklarda çok yönlü çıkarım yapmak için detect.py kullan. En güncel YOLOv5 sürümündeki modelleri otomatik olarak indirir ve sonuçları kolayca kaydeder. Bu betik, komut satırından kullanım ve YOLOv5'i daha büyük sistemlere entegre etme için idealdir; görüntüler, videolar, dizinler, web kameraları ve hatta canlı yayınlar gibi girdileri 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 kıyaslama sonuçlarını yeniden elde et. Gerekli modeller ve veri kümeleri (coco128.yaml veya tam coco.yaml gibi) doğrudan en son YOLOv5 sürümünden alınır. V100 GPU üzerinde YOLOv5n/s/m/l/x eğitimi genellikle sırasıyla 1/2/4/6/8 gün sürer ( çoklu GPU eğitimi yapılandırmalarının daha hızlı çalıştığını unutma). Mümkün olan en yüksek --batch-size değerini kullanarak performansı en üst düzeye çıkar veya en uygun yığın boyutunu otomatik olarak bulan YOLOv5 AutoBatch özelliği için --batch-size -1 kullan. Aşağıdaki yığın boyutları V100-16GB GPU'lar için idealdir. Model yapılandırma dosyaları (*.yaml) hakkında ayrıntılı bilgi için Mimari Özetine bak.

# 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 algılama alanında son teknoloji bir araç değil, aynı zamanda görsel anlama yoluyla dünyayla etkileşim biçimimizi dönüştüren makine öğreniminin gücünün de bir kanıtıdır. Bu kılavuzda ilerleyip YOLOv5'i projelerinde kullanmaya başladığında, bilgisayarlı görü alanında olağanüstü işler başarabilecek bir teknolojik devrimin ön saflarında olduğunu unutma. Benzer vizyonlara sahip kişilerden daha fazla bilgi veya destek almak istersen, geliştirici ve araştırmacılardan oluşan canlı bir topluluğa ev sahipliği yapan GitHub depomuza katılabilirsin. Veri kümelerini yönetmek ve kod yazmadan model eğitmek için Ultralytics Platform gibi ek kaynakları keşfet veya gerçek dünyadaki uygulama ve ilham örnekleri için Çözümler sayfamıza göz at. Keşfetmeye ve yenilik yapmaya devam et; YOLOv5'in harikalarının tadını çıkar. İyi algılamalar! 🌠🔍

Sık Sorulan Sorular#