YOLOv5 Hızlı Başlangıç 🚀#

Ultralytics YOLOv5 ile gerçek zamanlı nesne tespiti dünyasına adım at! Bu kılavuz, YOLOv5'te ustalaşmak isteyen yapay zeka meraklıları ve profesyoneller için kapsamlı bir başlangıç noktası olarak tasarlandı. İlk kurulumdan gelişmiş eğitim tekniklerine kadar her şeyi ele aldık. Bu kılavuzun sonuna geldiğinde, son teknoloji derin öğrenme yöntemlerini kullanarak YOLOv5'i projelerine güvenle uygulamak için gerekli bilgiye sahip olacaksın. Hadi motorları ateşle ve YOLOv5 ile uçuşa geç!

Yükle#

YOLOv5 deposunu klonlayıp ortamı kurarak kalkışa hazırlan. Bu, gerekli tüm gereksinimlerin yüklenmesini sağlar. Kalkış için Python>=3.8.0 ve PyTorch>=1.8 sürümlerinin hazır olduğundan emin ol. Bu temel araçlar, YOLOv5'i etkili bir şekilde çalıştırmak için çok önemlidir.

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

PyTorch Hub ile Çıkarım#

Modellerin en son YOLOv5 release sürümünden sorunsuz bir şekilde indirildiği YOLOv5 PyTorch Hub çıkarımının (inference) basitliğini deneyimle. Bu yöntem, models yüklemeyi ve çalıştırmayı kolaylaştırmak için PyTorch gücünden yararlanır ve tahminler almayı son derece anlaşılır hale 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 çok yönlü inference için detect.py aracından yararlan. En son YOLOv5 release sürümünden models otomatik olarak çeker ve sonuçları kolayca kaydeder. Bu betik, komut satırı kullanımı ve YOLOv5'i daha büyük sistemlere entegre etmek için idealdir; görseller, videolar, dizinler, web kameraları ve hatta live streams 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 training instructions yönergelerini takip ederek YOLOv5 COCO dataset kıyaslamalarını (benchmark) yeniden oluştur. Gerekli models ve datasets (coco128.yaml veya tam coco.yaml gibi) doğrudan en son YOLOv5 release sürümünden çekilir. YOLOv5n/s/m/l/x modellerini bir V100 GPU üzerinde eğitmek genellikle sırasıyla 1/2/4/6/8 gün sürer (Multi-GPU training kurulumlarının daha hızlı çalıştığını unutma). Mümkün olan en yüksek --batch-size değerini kullanarak performansı maksimize et veya optimal batch size değerini otomatik olarak bulan YOLOv5 AutoBatch özelliği için --batch-size -1 kullan. Aşağıdaki grup boyutları (batch size) V100-16GB GPU'lar için idealdir. Model yapılandırma dosyaları (*.yaml) hakkında ayrıntılar için configuration guide kılavuzumuza göz at.

# 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 son teknoloji bir araç değil, aynı zamanda görsel anlayış yoluyla dünya ile etkileşim kurma biçimimizi dönüştürmede makine öğreniminin gücünün bir kanıtıdır. Bu kılavuzda ilerledikçe ve YOLOv5'i projelerine uygulamaya başladıkça, bilgisayarlı görü alanında dikkate değer başarılar elde etme yeteneğine sahip, teknolojik bir devrimin ön saflarında yer aldığını unutma. Diğer vizyonerlerden daha fazla içgörüye veya desteğe ihtiyaç duyarsan, gelişen bir geliştirici ve araştırmacı topluluğuna ev sahipliği yapan GitHub deposuna davetlisin. Kodsuz veri kümesi yönetimi ve model eğitimi için Ultralytics Platform gibi ek kaynakları keşfet veya gerçek dünya uygulamaları ve ilham için Çözümler sayfamıza göz at. Keşfetmeye devam et, yenilik yapmaya devam et ve YOLOv5'in harikalarının tadını çıkar. Mutlu tespitler! 🌠🔍