YOLOv5 빠른 시작 🚀
실시간 물체 감지의 역동적인 영역으로 Ultralytics YOLOv5 함께 여정을 시작하세요! 이 가이드는 YOLOv5 마스터하고자 하는 AI 애호가와 전문가를 위한 종합적인 시작점 역할을 하도록 제작되었습니다. 초기 설정부터 고급 훈련 기법까지 모든 것을 다룹니다. 이 가이드가 끝나면 최첨단 딥러닝 방법을 사용해 프로젝트에 YOLOv5 자신 있게 구현할 수 있는 지식을 갖추게 될 것입니다. 이제 엔진에 불을 붙이고 YOLOv5 날아오르세요!
설치
YOLOv5 리포지토리를 복제하고 환경을 설정하여 출시를 준비합니다. 이렇게 하면 필요한 모든 요구 사항이 설치됩니다. 다음이 설치되어 있는지 확인합니다. Python.8.0 및 PyTorch8 이 준비되었는지 확인하세요. 이러한 기본 도구는 YOLOv5 효과적으로 실행하는 데 매우 중요합니다.
git clone https://github.com/ultralytics/yolov5 # clone repository
cd yolov5
pip install -r requirements.txt # install dependencies
PyTorch 허브를 통한 추론
최신 YOLOv5 릴리스에서 모델을 원활하게 다운로드할 수 있는 YOLOv5 PyTorch Hub 추론의 단순함을 경험해 보세요. 이 방법은 PyTorch 의 강력한 기능을 활용하여 모델을 쉽게 로드하고 실행할 수 있으므로 예측을 쉽게 얻을 수 있습니다.
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.
detect.py를 사용한 추론
하네스 detect.py 다용도 추론 를 검색합니다. 자동으로 다음을 가져옵니다. 모델 최신 YOLOv5 릴리스 를 실행하고 결과를 쉽게 저장할 수 있습니다. 이 스크립트는 이미지, 동영상, 디렉토리, 웹캠 등의 입력을 지원하여 명령줄 사용과 YOLOv5 대규모 시스템에 통합하는 데 이상적입니다. 라이브 스트림.
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
교육
복제 YOLOv5 COCO 데이터 세트 벤치마크에 따라 교육 지침 를 참조하세요. 필요한 모델 그리고 데이터 세트 (좋아요 coco128.yaml 또는 전체 coco.yaml)는 최신 YOLOv5 직접 가져온 것입니다. 릴리스. V100에서 YOLOv5n/s/m/l/x 교육하기 GPU 는 일반적으로 각각 1/2/4/6/8일이 소요됩니다 ( GPU GPU 교육 설정이 더 빠르게 작동합니다). 가능한 최고 수준의 --batch-size 또는 --batch-size -1 에 대한 YOLOv5 자동 배치 기능을 통해 자동으로 최적의 배치 크기. 다음 배치 크기는 V100-16GB GPU에 이상적입니다. 저희의 구성 가이드 모델 구성 파일에 대한 자세한 내용은(*.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
결론적으로, YOLOv5 물체 감지를 위한 최첨단 도구일 뿐만 아니라 시각적 이해를 통해 세상과 상호작용하는 방식을 변화시키는 머신러닝의 힘을 보여주는 증거이기도 합니다. 이 가이드를 진행하면서 프로젝트에 YOLOv5 적용하기 시작하면 컴퓨터 비전 분야에서 놀라운 업적을 달성할 수 있는 기술 혁명의 최전선에 서 있다는 사실을 기억하세요. 더 많은 인사이트나 동료 비저너리들의 지원이 필요하다면, 활발한 개발자 및 연구자 커뮤니티가 있는 GitHub 리포지토리에 초대합니다. 코드 없이 데이터 집합 관리 및 모델 학습을 위한 Ultralytics HUB와 같은 추가 리소스를 살펴보거나, 실제 적용 사례와 영감을 얻을 수 있는 솔루션 페이지를 확인하세요. 계속 탐색하고, 계속 혁신하며, YOLOv5 경이로움을 즐겨보세요. 행복한 탐지! 🌠🔍
