跳至内容

YOLOv5 快速入门 🚀

通过YOLOv5 开始您的动态实时对象检测之旅！本指南旨在为希望掌握YOLOv5 的人工智能爱好者和专业人士提供全面的入门指南。从初始设置到高级培训技术，我们都将为您一一介绍。本指南结束时，您将掌握相关知识，自信地将YOLOv5 应用到您的项目中。让我们点燃引擎，翱翔于YOLOv5 ！

安装

通过克隆版本库和建立环境为启动做好准备。这将确保所有必要的要求都已安装。检查 Python>=3.8.0和 PyTorch>=1.8准备起飞。

git clone https://github.com/ultralytics/yolov5  # clone repository
cd yolov5
pip install -r requirements.txt  # install dependencies

通过PyTorch Hub 进行推理

体验YOLOv5 PyTorch Hub 推断的简便性， 模型可从最新的YOLOv5 版本中无缝下载。

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.

使用 detect.py 进行推理

线束 detect.py 用于对各种来源进行多功能推理。它能自动获取 模型 从最新的YOLOv5 释放 并轻松保存结果。

python detect.py --weights yolov5s.pt --source 0                               # webcam
                                               img.jpg                         # image
                                               vid.mp4                         # video
                                               screen                          # screenshot
                                               path/                           # directory
                                               list.txt                        # list of images
                                               list.streams                    # list of streams
                                               'path/*.jpg'                    # glob
                                               'https://youtu.be/LNwODJXcvt4'  # YouTube
                                               'rtsp://example.com/media.mp4'  # RTSP, RTMP, HTTP stream

培训

复制YOLOv5 COCO 按照以下说明进行基准测试。必要的 模型 和 数据集 直接从最新的YOLOv5 释放.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 多图形处理器 更快地运行）。通过使用尽可能高的 --batch-size 或使用 --batch-size -1 为YOLOv5 自动批处理 功能。以下批量大小是 V100-16GB GPU 的理想选择。

python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5n.yaml  --batch-size 128
                                                                 yolov5s                    64
                                                                 yolov5m                    40
                                                                 yolov5l                    24
                                                                 yolov5x                    16

YOLO 训练曲线

总之，YOLOv5 不仅是最先进的物体检测工具，还证明了机器学习在通过视觉理解改变我们与世界交互方式方面的强大威力。在您阅读本指南并开始将YOLOv5 应用到您的项目中时，请记住您正处于技术革命的前沿，能够实现非凡的成就。如果您需要进一步的见解或来自其他有远见的人的支持，我们邀请您访问我们的GitHub 存储库，这里有一个蓬勃发展的开发人员和研究人员社区。继续探索，继续创新，享受YOLOv5 带来的奇迹。祝您探测愉快！🌠🔍



创建于 2023-11-12，更新于 2023-12-03
作者:glenn-jocher(2)

评论