YOLOv5 Hızlı Başlangıç 🚀
Embark on your journey into the dynamic realm of real-time object detection with YOLOv5! This guide is crafted to serve as a comprehensive starting point for AI enthusiasts and professionals aiming to master YOLOv5. From initial setup to advanced training techniques, we've got you covered. By the end of this guide, you'll have the knowledge to implement YOLOv5 into your projects confidently. Let's ignite the engines and soar into YOLOv5!
Kurulum
Depoyu klonlayarak ve ortamı kurarak başlatma için hazırlanın. Bu, gerekli tüm gereksinimlerin yüklenmesini sağlar. Şunlara sahip olduğunuzu kontrol edin Python>=3.8.0 ve PyTorch>=1.8 kalkışa hazır.
git clone https://github.com/ultralytics/yolov5 # clone repository
cd yolov5
pip install -r requirements.txt # install dependencies
Inference with PyTorch Hub
Modellerin en son YOLOv5 sürümünden sorunsuz bir şekilde indirildiği YOLOv5 PyTorch Hub çıkarımının basitliğini deneyimleyin.
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.
detect.py ile çıkarım
Koşum takımı detect.py çeşitli kaynaklar üzerinde çok yönlü çıkarım için. Otomatik olarak getirir modeller en son gelen YOLOv5 serbest bırakma ve sonuçları kolaylıkla kaydeder.
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
Eğitim
Çoğaltın YOLOv5 COCO ölçütlerini aşağıdaki talimatlara göre belirleyin. Gerekli olan modeller ve veri kümeleri doğrudan en son YOLOv5 serbest bırakma. V100 üzerinde YOLOv5n/s/m/l/x eğitimi GPU tipik olarak sırasıyla 1/2/4/6/8 gün sürmelidir (şunu unutmayın ÇokluGPU kurulumlar daha hızlı çalışır). Mümkün olan en yüksek performansı kullanarak performansı en üst düzeye çıkarın --batch-size veya kullanın --batch-size -1 için YOLOv5 AutoBatch feature. The following batch sizes are ideal for V100-16GB GPUs.
python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5n.yaml --batch-size 128
yolov5s 64
yolov5m 40
yolov5l 24
yolov5x 16
To conclude, YOLOv5 is not only a state-of-the-art tool for object detection but also a testament to the power of machine learning in transforming the way we interact with the world through visual understanding. As you progress through this guide and begin applying YOLOv5 to your projects, remember that you are at the forefront of a technological revolution, capable of achieving remarkable feats. Should you need further insights or support from fellow visionaries, you're invited to our GitHub repository home to a thriving community of developers and researchers. Keep exploring, keep innovating, and enjoy the marvels of YOLOv5. Happy detecting! 🌠🔍
