YOLOv5 Hızlı Başlangıç 🚀
Ultralytics YOLOv5 ile gerçek zamanlı nesne algılama alanındaki dinamik yolculuğunuza başlayın! Bu kılavuz, YOLOv5'te uzmanlaşmayı hedefleyen yapay zeka meraklıları ve profesyoneller için kapsamlı bir başlangıç noktası olarak hizmet etmek üzere hazırlanmıştır. İlk kurulumdan gelişmiş eğitim tekniklerine kadar her şey ele alınmıştır. Bu kılavuzun sonunda, en son teknoloji derin öğrenme yöntemlerini kullanarak YOLOv5'i projelerinize güvenle uygulama bilgisine sahip olacaksınız. Motorları ateşleyelim ve YOLOv5'e doğru yükselişe geçelim!
Kurulum
YOLOv5 deposunu klonlayarak ve ortamı kurarak başlatmaya hazırlanın. Bu, gerekli tüm gereksinimlerin yüklü olmasını sağlar. Kalkış için Python>=3.8.0 ve PyTorch>=1.8'in hazır olduğundan emin olun. Bu temel araçlar, YOLOv5'i etkili bir şekilde çalıştırmak için çok önemlidir.
git clone https://github.com/ultralytics/yolov5 # clone repository
cd yolov5
pip install -r requirements.txt # install dependencies
PyTorch Hub ile Çıkarım
PyTorch Hub çıkarımının basitliğini deneyimleyin; burada modeller, en son YOLOv5 sürümünden sorunsuz bir şekilde indirilir. Bu yöntem, kolay model yükleme ve yürütme için PyTorch'un gücünden yararlanarak tahmin almayı kolaylaştırır.
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.py ile Çıkarım
Harness (Koşum) detect.py çok yönlü çıkarım çeşitli kaynaklarda. Otomatik olarak getirir modeller en son YOLOv5'ten sürüm ve sonuçları kolaylıkla kaydeder. Bu komut dosyası, komut satırı kullanımı ve YOLOv5'i daha büyük sistemlere entegre etmek için idealdir ve resimler, videolar, dizinler, web kameraları ve hatta gibi girdileri destekler canlı yayınlar.
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
Eğitim
YOLOv5'i kopyalayın COCO veri kümesi adresindeki kıyaslamalar eğitim talimatları aşağıda. Gerekli modeller ve veri kümeleri (gibi coco128.yaml veya tamamını coco.yaml) doğrudan en son YOLOv5'ten çekilir sürüm. Bir V100 üzerinde YOLOv5n/s/m/l/x eğitimi GPU sırasıyla tipik olarak 1/2/4/6/8 gün sürmelidir (unutmayın ki Çoklu GPU eğitimi kurulumlar daha hızlı çalışır). Mümkün olan en yüksek değeri kullanarak performansı en üst düzeye çıkarın --batch-size veya kullanın --batch-size -1 YOLOv5 için Otomatik Yığınlama özelliği, otomatik olarak en uygun olanı bulur yığın boyutu. Aşağıdaki toplu iş boyutları V100-16GB GPU'lar için idealdir. Şuna bakın: yapılandırma kılavuzu model yapılandırma dosyaları hakkında ayrıntılı bilgi için (*.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
Sonuç olarak, YOLOv5 yalnızca nesne algılama için son teknoloji bir araç değil, aynı zamanda görsel anlayış yoluyla dünyayla etkileşim biçimimizi dönüştürmede makine öğreniminin gücünün bir kanıtıdır. Bu kılavuzda ilerleyip YOLOv5'i projelerinize uygulamaya başladığınızda, bilgisayar görüşünde olağanüstü başarılar elde edebilen bir teknolojik devrimin ön saflarında olduğunuzu unutmayın. Diğer vizyonerlerden daha fazla bilgi veya destek almanız gerekirse, gelişen bir geliştirici ve araştırmacı topluluğuna ev sahipliği yapan GitHub depomuza davetlisiniz. Kodsuz veri kümesi yönetimi ve model eğitimi için Ultralytics HUB gibi daha fazla kaynağı keşfedin veya gerçek dünya uygulamaları ve ilham için Çözümler sayfamıza göz atın. Keşfetmeye, yenilik yapmaya devam edin ve YOLOv5'in harikalarının tadını çıkarın. Mutlu tespitler! 🌠🔍
