YOLO Vision 2026:

YOLOv5'i PyTorch Hub'dan Yükleme#

📚 Bu kılavuz, YOLOv5 🚀 modelini PyTorch Hub üzerinden https://pytorch.org/hub/ultralytics_yolov5 adresinden nasıl yükleyeceğini açıklar.

Başlamadan Önce#

PyTorch>=1.8 dahil olmak üzere Python>=3.8.0 ortamında requirements.txt dosyasını kur. Modeller ve veri kümeleri en son YOLOv5 sürümünden otomatik olarak indirilir.

pip install -r https://raw.githubusercontent.com/ultralytics/yolov5/master/requirements.txt
İpucu

ultralytics/yolov5 deposunu klonlamak gerekmez — PyTorch Hub kodu otomatik olarak getirir.

YOLOv5'i PyTorch Hub ile Yükle#

Basit Örnek#

Bu örnek, PyTorch Hub'dan önceden eğitilmiş bir YOLOv5s modelini model olarak yükler ve çıkarım için bir görüntü iletir. 'yolov5s', en hafif ve en hızlı YOLOv5 modelidir. Mevcut tüm modellerin ayrıntıları için lütfen README dosyasına göz at.

import torch

# Model
model = torch.hub.load("ultralytics/yolov5", "yolov5s")

# Image
im = "https://ultralytics.com/images/zidane.jpg"

# Inference
results = model(im)

results.pandas().xyxy[0]
#      xmin    ymin    xmax   ymax  confidence  class    name
# 0  749.50   43.50  1148.0  704.5    0.874023      0  person
# 1  433.50  433.50   517.5  714.5    0.687988     27     tie
# 2  114.75  195.75  1095.0  708.0    0.624512      0  person
# 3  986.00  304.00  1028.0  420.0    0.286865     27     tie

Ayrıntılı Örnek#

Bu örnek, PIL ve OpenCV görüntü kaynaklarıyla toplu çıkarımı gösterir. results konsola yazdırılabilir, runs/hub konumuna kaydedilebilir, desteklenen ortamlarda ekranda gösterilebilir ve tensorler veya pandas veri çerçeveleri olarak döndürülebilir.

import cv2
import torch
from PIL import Image

# Model
model = torch.hub.load("ultralytics/yolov5", "yolov5s")

# Images
for f in "zidane.jpg", "bus.jpg":
    torch.hub.download_url_to_file("https://ultralytics.com/images/" + f, f)  # download 2 images
im1 = Image.open("zidane.jpg")  # PIL image
im2 = cv2.imread("bus.jpg")[..., ::-1]  # OpenCV image (BGR to RGB)

# Inference
results = model([im1, im2], size=640)  # batch of images

# Results
results.print()
results.save()  # or .show()

results.xyxy[0]  # im1 predictions (tensor)
results.pandas().xyxy[0]  # im1 predictions (pandas)
#      xmin    ymin    xmax   ymax  confidence  class    name
# 0  749.50   43.50  1148.0  704.5    0.874023      0  person
# 1  433.50  433.50   517.5  714.5    0.687988     27     tie
# 2  114.75  195.75  1095.0  708.0    0.624512      0  person
# 3  986.00  304.00  1028.0  420.0    0.286865     27     tie
YOLO inference results on zidane.jpg YOLO inference results on bus.jpg

Tüm çıkarım seçenekleri için YOLOv5 AutoShape() forward yöntemine bak.

Çıkarım Ayarları#

YOLOv5 modelleri, aşağıdakilerle ayarlanabilen güven eşiği (confidence threshold), IoU eşiği (IoU threshold) gibi çeşitli çıkarım öznitelikleri içerir:

model.conf = 0.25  # NMS confidence threshold
model.iou = 0.45  # NMS IoU threshold
model.agnostic = False  # NMS class-agnostic
model.multi_label = False  # NMS multiple labels per box
model.classes = None  # (optional list) filter by class, i.e. = [0, 15, 16] for COCO persons, cats and dogs
model.max_det = 1000  # maximum number of detections per image
model.amp = False  # Automatic Mixed Precision (AMP) inference

results = model(im, size=320)  # custom inference size

Cihaz#

Modeller oluşturulduktan sonra herhangi bir cihaza aktarılabilir:

model.cpu()  # CPU
model.cuda()  # GPU
model.to(device)  # i.e. device=torch.device(0)

Modeller ayrıca doğrudan herhangi bir device üzerinde oluşturulabilir:

model = torch.hub.load("ultralytics/yolov5", "yolov5s", device="cpu")  # load on CPU
İpucu

Giriş görüntüleri, çıkarımdan önce otomatik olarak doğru model cihazına aktarılır.

Çıktıları Sessize Alma#

Modeller _verbose=False ile sessizce yüklenebilir:

model = torch.hub.load("ultralytics/yolov5", "yolov5s", _verbose=False)  # load silently

Giriş Kanalları#

Varsayılan 3 yerine 4 giriş kanallı, önceden eğitilmiş bir YOLOv5s modeli yüklemek için:

model = torch.hub.load("ultralytics/yolov5", "yolov5s", channels=4)

Bu durumda model, artık önceden eğitilmiş giriş katmanıyla aynı şekle sahip olmayan ilk giriş katmanı hariç, önceden eğitilmiş ağırlıklardan oluşacaktır. Giriş katmanı rastgele ağırlıklarla başlatılmış olarak kalacaktır.

Sınıf Sayısı#

Varsayılan 80 yerine 10 çıkış sınıflı, önceden eğitilmiş bir YOLOv5s modeli yüklemek için:

model = torch.hub.load("ultralytics/yolov5", "yolov5s", classes=10)

Bu durumda model, artık önceden eğitilmiş çıkış katmanlarıyla aynı şekle sahip olmayan çıkış katmanları hariç, önceden eğitilmiş ağırlıklardan oluşacaktır. Çıkış katmanları rastgele ağırlıklarla başlatılmış olarak kalacaktır.

Zorla Yeniden Yükleme#

Yukarıdaki adımlarla ilgili sorun yaşarsan, force_reload=True ayarını yapmak mevcut önbelleği atarak PyTorch Hub'dan en son YOLOv5 sürümünün yeni bir indirmesini zorlamaya yardımcı olabilir. Önbelleğe alınmış kopyalar ~/.cache/torch/hub içindedir; bu klasörü silmek aynı etkiyi sağlar.

model = torch.hub.load("ultralytics/yolov5", "yolov5s", force_reload=True)  # force reload

Ekran Görüntüsü ile Çıkarım#

Masaüstü ekranında çıkarım çalıştırmak için:

import torch
from PIL import ImageGrab

# Model
model = torch.hub.load("ultralytics/yolov5", "yolov5s")

# Image
im = ImageGrab.grab()  # take a screenshot

# Inference
results = model(im)

Çoklu GPU Çıkarımı#

YOLOv5 modelleri, iş parçacıklı çıkarım ile birden fazla GPU'ya paralel olarak yüklenebilir:

import threading

import torch

def run(model, im):
    """Performs inference on an image using a given model and saves the output; model must support `.save()` method."""
    results = model(im)
    results.save()

# Models
model0 = torch.hub.load("ultralytics/yolov5", "yolov5s", device=0)
model1 = torch.hub.load("ultralytics/yolov5", "yolov5s", device=1)

# Inference
threading.Thread(target=run, args=[model0, "https://ultralytics.com/images/zidane.jpg"], daemon=True).start()
threading.Thread(target=run, args=[model1, "https://ultralytics.com/images/bus.jpg"], daemon=True).start()

Eğitim#

Çıkarım yerine eğitim için bir YOLOv5 modeli yüklemek istiyorsan autoshape=False ayarını yap. Rastgele başlatılmış ağırlıklara sahip bir modeli (sıfırdan eğitmek için) yüklemek istiyorsan pretrained=False kullan. Bu durumda kendi eğitim betiğini sağlamalısın. Alternatif olarak model eğitimi için YOLOv5 Özel Verileri Eğitme Kılavuzumuza göz at.

import torch

model = torch.hub.load("ultralytics/yolov5", "yolov5s", autoshape=False)  # load pretrained
model = torch.hub.load("ultralytics/yolov5", "yolov5s", autoshape=False, pretrained=False)  # load scratch

Base64 Sonuçları#

API servisleriyle kullanım için. Ayrıntılar için Flask REST API örneğine bak.

import base64
from io import BytesIO

from PIL import Image

results = model(im)  # inference

results.ims  # array of original images (as np array) passed to model for inference
results.render()  # updates results.ims with boxes and labels
for im in results.ims:
    buffered = BytesIO()
    im_base64 = Image.fromarray(im)
    im_base64.save(buffered, format="JPEG")
    print(base64.b64encode(buffered.getvalue()).decode("utf-8"))  # base64 encoded image with results

Kırpılmış Sonuçlar#

Sonuçlar algılama kırpmaları olarak döndürülebilir ve kaydedilebilir:

results = model(im)  # inference
crops = results.crop(save=True)  # cropped detections dictionary

Pandas Sonuçları#

Sonuçlar Pandas Veri Çerçeveleri olarak döndürülebilir:

results = model(im)  # inference
results.pandas().xyxy[0]  # Pandas DataFrame
Pandas Output (click to expand) 
print(results.pandas().xyxy[0])
#      xmin    ymin    xmax   ymax  confidence  class    name
# 0  749.50   43.50  1148.0  704.5    0.874023      0  person
# 1  433.50  433.50   517.5  714.5    0.687988     27     tie
# 2  114.75  195.75  1095.0  708.0    0.624512      0  person
# 3  986.00  304.00  1028.0  420.0    0.286865     27     tie

Sıralanmış Sonuçlar#

Sonuçlar sütuna göre sıralanabilir; örneğin, plaka hanesi algılamasını soldan sağa (x-ekseni) sıralamak için:

results = model(im)  # inference
results.pandas().xyxy[0].sort_values("xmin")  # sorted left-right

JSON Sonuçları#

.to_json() yöntemi kullanılarak .pandas() veri çerçevelerine dönüştürüldükten sonra sonuçlar JSON formatında döndürülebilir. JSON formatı orient argümanı kullanılarak değiştirilebilir. Ayrıntılar için pandas .to_json() belgelerine bakın.

results = model(ims)  # inference
results.pandas().xyxy[0].to_json(orient="records")  # JSON img1 predictions
JSON Output (click to expand) 
[
    {
        "xmin": 749.5,
        "ymin": 43.5,
        "xmax": 1148.0,
        "ymax": 704.5,
        "confidence": 0.8740234375,
        "class": 0,
        "name": "person"
    },
    {
        "xmin": 433.5,
        "ymin": 433.5,
        "xmax": 517.5,
        "ymax": 714.5,
        "confidence": 0.6879882812,
        "class": 27,
        "name": "tie"
    },
    {
        "xmin": 115.25,
        "ymin": 195.75,
        "xmax": 1096.0,
        "ymax": 708.0,
        "confidence": 0.6254882812,
        "class": 0,
        "name": "person"
    },
    {
        "xmin": 986.0,
        "ymin": 304.0,
        "xmax": 1028.0,
        "ymax": 420.0,
        "confidence": 0.2873535156,
        "class": 27,
        "name": "tie"
    }
]

Özel Modeller#

Bu örnek, PyTorch Hub ile özel 20 sınıflı VOC üzerinde eğitilmiş bir YOLOv5s modeli olan 'best.pt' modelini yükler.

import torch

model = torch.hub.load("ultralytics/yolov5", "custom", path="path/to/best.pt")  # local model
model = torch.hub.load("path/to/yolov5", "custom", path="path/to/best.pt", source="local")  # local repo

TensorRT, ONNX ve OpenVINO Modelleri#

PyTorch Hub, özel olarak eğitilmiş modeller de dahil olmak üzere çoğu YOLOv5 dışa aktarım formatında çıkarımı destekler. Modelleri dışa aktarma hakkında ayrıntılar için TFLite, ONNX, CoreML, TensorRT Dışa Aktarma Kılavuzuna göz at.

İpucu
import torch

model = torch.hub.load("ultralytics/yolov5", "custom", path="yolov5s.pt")  # PyTorch
model = torch.hub.load("ultralytics/yolov5", "custom", path="yolov5s.torchscript")  # TorchScript
model = torch.hub.load("ultralytics/yolov5", "custom", path="yolov5s.onnx")  # ONNX
model = torch.hub.load("ultralytics/yolov5", "custom", path="yolov5s_openvino_model/")  # OpenVINO
model = torch.hub.load("ultralytics/yolov5", "custom", path="yolov5s.engine")  # TensorRT
model = torch.hub.load("ultralytics/yolov5", "custom", path="yolov5s.mlmodel")  # CoreML (macOS-only)
model = torch.hub.load("ultralytics/yolov5", "custom", path="yolov5s.tflite")  # TFLite
model = torch.hub.load("ultralytics/yolov5", "custom", path="yolov5s_paddle_model/")  # PaddlePaddle

Desteklenen Ortamlar#

Ultralytics, projelerinizi hızlandırmak için CUDA, CUDNN, Python ve PyTorch gibi temel bağımlılıklarla önceden yüklenmiş bir dizi kullanıma hazır ortam sunar.

Proje Durumu#

YOLOv5 CI

Bu rozet, tüm YOLOv5 GitHub Actions Continuous Integration (CI) testlerinin başarıyla geçtiğini gösterir. Bu CI testleri, YOLOv5'in işlevselliğini ve performansını çeşitli temel yönlerden titizlikle kontrol eder: training, validation, inference, export ve benchmarks. Her 24 saatte bir ve her yeni commit ile gerçekleştirilen testlerle macOS, Windows ve Ubuntu üzerinde tutarlı ve güvenilir bir çalışma sağlarlar.

Katkıda Bulunanlar
GLglenn-jocher1

Yorumlar