YOLOv5 Hızlı Başlangıç 🚀

Ultralytics YOLOv5 ile gerçek zamanlı nesne algılama dünyasındaki dinamik yolculuğuna başla! Bu kılavuz, YOLOv5 konusunda uzmanlaşmayı hedefleyen yapay zeka meraklıları ve profesyoneller için kapsamlı bir başlangıç noktası olarak tasarlandı. İlk kurulumdan ileri düzey eğitim tekniklerine kadar her konuda yanındayız. Bu kılavuzun sonunda, en gelişmiş derin öğrenme yöntemlerini kullanarak YOLOv5'i projelerine güvenle uygulama bilgisine sahip olacaksın. Hadi motorları ateşleyelim ve YOLOv5 ile yükselişe geçelim!

Yükle

YOLOv5 deposunu klonlayıp ortamı oluşturarak kalkışa hazırlan. Bu, gerekli tüm gereksinimlerin yüklü olmasını 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 kritiktir.

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

PyTorch Hub ile çıkarım

Experience the simplicity of YOLOv5 PyTorch Hub inference, where models are seamlessly downloaded from the latest YOLOv5 release. This method leverages the power of PyTorch for easy model loading and execution, making it straightforward to get predictions.

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

Harness detect.py for versatile inference on various sources. It automatically fetches models from the latest YOLOv5 release and saves results with ease. This script is ideal for command-line usage and integrating YOLOv5 into larger systems, supporting inputs like images, videos, directories, webcams, and even live streams.

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

Replicate the YOLOv5 COCO dataset benchmarks by following the training instructions below. The necessary models and datasets (like coco128.yaml or the full coco.yaml) are pulled directly from the latest YOLOv5 release. Training YOLOv5n/s/m/l/x on a V100 GPU should typically take 1/2/4/6/8 days respectively (note that Multi-GPU training setups work faster). Maximize performance by using the highest possible --batch-size or use --batch-size -1 for the YOLOv5 AutoBatch feature, which automatically finds the optimal batch size. The following batch sizes are ideal for V100-16GB GPUs. Refer to our configuration guide for details on model configuration files (*.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

Sonuç olarak, YOLOv5 sadece nesne algılama için en gelişmiş bir araç değil, aynı zamanda görsel anlama yoluyla dünya ile etkileşim kurma biçimimizi dönüştüren makine öğrenimi gücünün bir kanıtıdır. Bu kılavuzda ilerledikçe ve YOLOv5'i projelerine uygulamaya başladıkça, bilgisayarlı görü alanında olağanüstü işler başarma kapasitesine sahip, teknolojik bir devrimin ön saflarında yer aldığını unutma. Daha fazla bilgiye veya diğer vizyonerlerden desteğe ihtiyaç duyarsan, gelişen bir geliştirici ve araştırmacı topluluğuna ev sahipliği yapan GitHub depomuza davetlisin. Kod yazmadan veri kümesi yönetimi ve model eğitimi için Ultralytics Platform gibi diğer kaynakları keşfet veya gerçek dünya uygulamaları ve ilham almak için Çözümler sayfamıza göz at. Keşfetmeye, yenilik yapmaya devam et ve YOLOv5'in mucizelerinin tadını çıkar. Mutlu algılamalar! 🌠🔍