YOLOv5 Bắt đầu nhanh 🚀
Bắt đầu cuộc hành trình của bạn vào lĩnh vực năng động của phát hiện đối tượng thời gian thực với Ultralytics YOLOv5 ! Hướng dẫn này được thiết kế để phục vụ như một điểm khởi đầu toàn diện cho những người đam mê AI và các chuyên gia muốn thành thạo YOLOv5 . Từ thiết lập ban đầu đến các kỹ thuật đào tạo nâng cao, chúng tôi đã hỗ trợ bạn. Đến cuối hướng dẫn này, bạn sẽ có kiến thức để triển khai YOLOv5 vào các dự án của bạn một cách tự tin bằng cách sử dụng các phương pháp học sâu tiên tiến. Hãy cùng đốt cháy động cơ và bay cao YOLOv5 !
Cài đặt
Chuẩn bị cho việc ra mắt bằng cách sao chép kho lưu trữ YOLOv5 và thiết lập môi trường. Điều này đảm bảo rằng tất cả các yêu cầu cần thiết đã được cài đặt. Kiểm tra xem bạn đã có Python >=3.8.0 và PyTorch >=1.8 sẵn sàng để cất cánh chưa. Các công cụ nền tảng này rất quan trọng để chạy YOLOv5 có hiệu quả.
git clone https://github.com/ultralytics/yolov5 # clone repository
cd yolov5
pip install -r requirements.txt # install dependencies
Suy luận với PyTorch Trung tâm
Trải nghiệm sự đơn giản của YOLOv5 Suy luận PyTorch Hub , nơi các mô hình được tải xuống liền mạch từ phiên bản mới nhất YOLOv5 phát hành . Phương pháp này tận dụng sức mạnh của PyTorch để tải và thực thi mô hình dễ dàng, giúp đưa ra dự đoán dễ dàng.
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.
Suy luận với detect.py
Dây nịt detect.py cho đa năng suy luận trên nhiều nguồn khác nhau. Nó tự động lấy mô hình từ mới nhất YOLOv5 giải phóng và lưu kết quả một cách dễ dàng. Tập lệnh này lý tưởng cho việc sử dụng dòng lệnh và tích hợp YOLOv5 vào các hệ thống lớn hơn, hỗ trợ các đầu vào như hình ảnh, video, thư mục, webcam và thậm chí phát trực tiếp.
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
Đào tạo
Sao chép YOLOv5 Bộ dữ liệu COCO chuẩn mực bằng cách làm theo hướng dẫn đào tạo bên dưới. Cần thiết mô hình Và bộ dữ liệu (giống coco128.yaml hoặc đầy đủ coco.yaml) được lấy trực tiếp từ mới nhất YOLOv5 giải phóng. Đào tạo YOLOv5n/s/m/l/x trên V100 GPU thường sẽ mất 1/2/4/6/8 ngày tương ứng (lưu ý rằng Đa- GPU đào tạo thiết lập hoạt động nhanh hơn). Tối đa hóa hiệu suất bằng cách sử dụng mức cao nhất có thể --batch-size hoặc sử dụng --batch-size -1 cho YOLOv5 Tự động hàng loạt tính năng tự động tìm ra tối ưu kích thước lô. Các kích thước lô sau đây lý tưởng cho GPU V100-16GB. Tham khảo hướng dẫn cấu hình để biết chi tiết về các tập tin cấu hình mô hình (*.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
Để kết luận, YOLOv5 không chỉ là một công cụ tiên tiến để phát hiện đối tượng mà còn là minh chứng cho sức mạnh của máy học trong việc chuyển đổi cách chúng ta tương tác với thế giới thông qua sự hiểu biết trực quan. Khi bạn tiến hành hướng dẫn này và bắt đầu áp dụng YOLOv5 đối với các dự án của bạn, hãy nhớ rằng bạn đang ở tuyến đầu của một cuộc cách mạng công nghệ, có khả năng đạt được những kỳ tích đáng chú ý trong thị giác máy tính . Nếu bạn cần thêm thông tin chi tiết hoặc hỗ trợ từ những người có tầm nhìn xa trông rộng, bạn được mời đến kho lưu trữ GitHub của chúng tôi, nơi có cộng đồng các nhà phát triển và nhà nghiên cứu đang phát triển mạnh mẽ. Khám phá thêm các tài nguyên như Ultralytics HUB để quản lý tập dữ liệu và đào tạo mô hình mà không cần mã hoặc xem trang Giải pháp của chúng tôi để biết các ứng dụng và nguồn cảm hứng trong thế giới thực. Tiếp tục khám phá, tiếp tục đổi mới và tận hưởng những điều kỳ diệu của YOLOv5 . Chúc bạn phát hiện vui vẻ! 🌠🔍
