YOLOv5 Hızlı Başlangıç 🚀
Ultralytics YOLOv5 ile gerçek zamanlı nesne algılamanın dinamik dünyasına doğru yolculuğa çıkın! Bu kılavuz, YOLOv5'te ustalaşmayı amaçlayan yapay zeka meraklıları ve profesyoneller için kapsamlı bir başlangıç noktası olarak hizmet etmek üzere hazırlanmıştır. İlk kurulumdan gelişmiş eğitim tekniklerine kadar, sizi ele aldık. Bu kılavuzun sonunda, son teknoloji derin öğrenme yöntemlerini kullanarak YOLOv5 ' YOLOv5 projelerinize güvenle uygulayabilecek bilgiye sahip olacaksınız. Motorları ateşleyelim ve YOLOv5'e doğru uçalım!
Kurulum
YOLOv5 deposunu klonlayarak ve ortamı kurarak başlatma için hazırlanın. Bu, gerekli tüm gereksinimlerin yüklenmesini sağlar. Şunlara sahip olduğunuzu kontrol edin Python.8.0 ve PyTorch.8 kalkış için hazır. Bu temel araçlar YOLOv5 ' YOLOv5 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 sürümünden sorunsuz bir şekilde indirildiği YOLOv5 PyTorch Hub çıkarımının basitliğini deneyimleyin. Bu yöntem aşağıdakilerin gücünden yararlanır PyTorch kolay model yükleme ve yürütme için, tahminleri elde etmeyi kolaylaştırır.
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
Koşum takımı detect.py çok yönlü için çıkarım çeşitli kaynaklar üzerinde. Otomatik olarak getirir modeller en son gelen YOLOv5 serbest bırakma ve sonuçları kolaylıkla kaydeder. Bu betik, komut satırı kullanımı ve YOLOv5 'i daha büyük sistemlere entegre etmek için idealdir ve görüntüler, videolar, dizinler, web kameraları ve hatta canlı yayınlar.
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
Çoğaltın YOLOv5 COCO veri seti kriterlerini takip ederek eği̇ti̇m tali̇matlari aşağıda. Gerekli olan modeller ve veri kümeleri (örneğin coco128.yaml veya tam coco.yaml) doğrudan en son YOLOv5'ten alınmıştır. serbest bırakma. V100 üzerinde YOLOv5n/s/m/l/x eğitimi GPU tipik olarak sırasıyla 1/2/4/6/8 gün sürmelidir (unutmayın ki Çoklu GPU eğitimi 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 özelliği, otomatik olarak en uygun parti büyüklüğü. Aşağıdaki parti boyutları V100-16GB GPU'lar için idealdir. Bizim bakın yapılandırma kılavuzu model yapılandırma dosyaları hakkında ayrıntılar için (*.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 yalnızca nesne algılama için son teknoloji ürünü bir araç değil, aynı zamanda görsel anlama yoluyla dünyayla etkileşim kurma şeklimizi dönüştürmede makine öğreniminin gücünün bir kanıtıdır. Bu kılavuzda ilerlerken ve YOLOv5 'i projelerinize uygulamaya başlarken, bilgisayarla görme alanında olağanüstü başarılar elde edebilecek teknolojik bir devrimin ön saflarında yer aldığınızı unutmayın. Daha fazla içgörüye veya diğer vizyonerlerin desteğine ihtiyaç duyarsanız, gelişen bir geliştirici ve araştırmacı topluluğuna ev sahipliği yapan GitHub depomuza davetlisiniz. Veri kümesi yönetimi ve kodsuz model eğitimi için Ultralytics HUB gibi diğer kaynakları keşfedin veya gerçek dünya uygulamaları ve ilham için Çözümler sayfamıza göz atın. Keşfetmeye, yenilik yapmaya devam edin ve YOLOv5'in mucizelerinin tadını çıkarın. Mutlu tespitler! 🌠🔍
