YOLOv5 快速入门 🚀#
开始使用 Ultralytics YOLOv5 踏入实时目标检测的动态领域！本指南旨在为旨在精通 YOLOv5 的 AI 爱好者和专业人士提供一个全面的起点。从初始设置到高级训练技术，我们都为你考虑到了。读完本指南后，你将拥有自信地将 YOLOv5 应用于项目中的知识，并使用最先进的深度学习方法。让我们点燃引擎，飞入 YOLOv5 的世界！
安装#
通过克隆 YOLOv5 仓库并建立环境来为发射做准备。这可确保安装所有必要的要求。检查你是否准备好了 Python>=3.8.0 和 PyTorch>=1.8 以准备起飞。这些基础工具对于有效运行 YOLOv5 至关重要。
git clone https://github.com/ultralytics/yolov5 # clone repository
cd yolov5
pip install -r requirements.txt # install dependencies使用 PyTorch Hub 进行推理#
体验 YOLOv5 PyTorch Hub 推理的简便性，其中的模型无缝下载自最新的 YOLOv5 发布版本。此方法利用 PyTorch 的强大功能轻松加载和执行模型，使获取预测变得直观直接。
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.使用 detect.py 进行推理#
利用 detect.py 在各种源上进行多功能 inference。它会自动从最新的 YOLOv5 release 中获取 models 并轻松保存结果。此脚本非常适合命令行使用以及将 YOLOv5 集成到更大的系统中，支持图像、视频、目录、网络摄像头甚至 live streams 等输入。
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训练#
按照下面的 training instructions 复制 YOLOv5 COCO dataset 基准。所需的 models 和 datasets（如 coco128.yaml 或完整的 coco.yaml）直接从最新的 YOLOv5 release 中拉取。在 V100 GPU 上训练 YOLOv5n/s/m/l/x 通常分别需要 1/2/4/6/8 天（注意 Multi-GPU training 设置运行速度更快）。通过使用尽可能高的 --batch-size 来最大化性能，或者将 --batch-size -1 用于 YOLOv5 AutoBatch 功能，该功能会自动找到最佳 batch size。以下批次大小非常适合 V100-16GB GPU。有关模型配置文件 (*.yaml) 的详细信息，请参阅我们的 configuration guide。
# 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
总之，YOLOv5 不仅是用于目标检测的最先进工具，也是机器学习改变我们通过视觉理解与世界互动方式的强大力量的证明。随着你不断阅读本指南并开始将 YOLOv5 应用于你的项目，请记住你正处于技术革命的最前沿，能够在计算机视觉领域取得非凡的成就。如果你需要来自同行远见者的更多见解或支持，欢迎来到我们的 GitHub 仓库，这里是繁荣的开发者和研究人员社区的家园。探索更多资源，例如用于无代码数据集管理和模型训练的 Ultralytics Platform，或者查看我们的解决方案页面以获取真实世界的应用和灵感。继续探索，不断创新，尽情享受 YOLOv5 的奇妙之处。检测愉快！🌠🔍