Sayfayı GitHub üzerinde düzenle (EN)

YOLOv5'i PyTorch Hub'dan Yükleme

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

Başlamadan Önce

Install requirements.txt in a Python>=3.8.0 environment, including PyTorch>=1.8. Models and datasets download automatically from the latest YOLOv5 release.

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

ultralytics/yolov5 reposunu klonlaman gerekmiyor; PyTorch Hub kodu otomatik olarak çeker.

YOLOv5'i PyTorch Hub ile Yükle

Basit Örnek

Bu örnek, önceden eğitilmiş bir YOLOv5s modelini PyTorch Hub'dan model olarak yükler ve çıkarım (inference) için bir görüntü gönderir. 'yolov5s', en hafif ve en hızlı YOLOv5 modelidir. Mevcut tüm modellerle ilgili ayrıntılar için lütfen README dosyasına bak.

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 (batched inference) gösterir. results konsola yazdırılabilir, runs/hub dizinine kaydedilebilir, desteklenen ortamlarda ekranda gösterilebilir ve tensors 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() ileri yöntemine bak.

Çıkarım Ayarları

YOLOv5 modelleri, aşağıdakilerle ayarlanabilen güven eşiği (confidence threshold), IoU eşiği 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 (Device)

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 Al

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 sınıfına sahip, 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.

Zorunlu Yeniden Yükleme

Yukarıdaki adımlarla ilgili sorun yaşarsan, force_reload=True ayarını yapmak mevcut önbelleği atarak PyTorch Hub'dan en son YOLOv5 sürümünün yeniden indirilmesini zorlayabilir. Önbelleğe alınan kopyalar ~/.cache/torch/hub dizininde bulunur; bu klasörü silmek aynı etkiyi yaratır.

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 ile Çıkarım

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 istersen autoshape=False olarak ayarla. Rastgele başlatılmış ağırlıklarla bir model yüklemek için (sıfırdan eğitmek üzere) pretrained=False kullan. Bu durumda kendi eğitim betiğini sağlamalısın. Alternatif olarak, model eğitimi için YOLOv5 Özel Veri ile Eğitim Eğitimimize bak.

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 (detection crops) olarak döndürülebilir ve kaydedilebilir:

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

Pandas Sonuçları

Sonuçlar Pandas DataFrames 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 basamak algılamasını soldan sağa (x-ekseni) sıralamak için:

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

JSON Sonuçları

Sonuçlar, .pandas() veri çerçevelerine dönüştürüldükten sonra .to_json() yöntemi kullanılarak JSON formatında döndürülebilir. JSON formatı orient argümanı kullanılarak değiştirilebilir. Ayrıntılar için pandas .to_json() dokümantasyonuna bak.

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 20 sınıflı, VOC üzerinde eğitilmiş özel bir YOLOv5s modeli olan 'best.pt' dosyasını 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 eğitilmiş modeller dahil olmak üzere çoğu YOLOv5 dışa aktarım formatında çıkarımı destekler. Modelleri dışa aktarma hakkında ayrıntılar için TFLite, ONNX, CoreML, TensorRT Dışa Aktarım eğitimine bak.

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, projelerine hızlı bir başlangıç yapman için CUDA, CUDNN, Python ve PyTorch gibi temel bağımlılıkların önceden yüklü olduğu, kullanıma hazır çeşitli ortamlar sunar.

Proje Durumu

YOLOv5 CI

Bu rozet, tüm YOLOv5 GitHub Actions Sürekli Entegrasyon (CI) testlerinin başarıyla geçtiğini gösterir. Bu CI testleri, YOLOv5'in işlevselliğini ve performansını çeşitli temel açılardan titizlikle kontrol eder: eğitim, doğrulama, çıkarım, dışa aktarma ve kıyaslamalar. macOS, Windows ve Ubuntu üzerinde tutarlı ve güvenilir bir çalışma sağlarlar; testler her 24 saatte bir ve her yeni commit'te gerçekleştirilir.

Contributors
Sayfayı GitHub üzerinde düzenle (EN)
GLglenn-jocher13PDpderrenger1RIRizwanMunawar1BUBurhan-Q1

Yorumlar