Только pip install yolov5 от вас ...

  • У вас возникли трудности с установкой новейшего детектора объектов YOLO в Windows / Linux?
  • Получаете ли вы ошибки во время обучения / логического вывода с вашими пользовательскими моделями YOLOv5?
  • Вы ищете средство отслеживания объектов в реальном времени, содержащее всего несколько строк кода?
  • Вы хотите выполнить обнаружение крупномасштабных объектов (наблюдение с дронов / спутниковые снимки / широкомасштабное наблюдение) одним щелчком мыши?

Продолжайте читать этот пост, и вы сможете справиться со всем этим за секунды ..

Детектор объектов YOLOv5

YOLOv5 - самый быстрый и самый точный YOLO из когда-либо созданных, и вы можете использовать его для любой задачи обнаружения объектов, которая вам нужна.

Установка проста: запустите pip install yolov5 в терминале Windows / Linux, и все готово.

Основное использование

import yolov5
# model
model = yolov5.load('yolov5s')
# image
img = 'https://github.com/ultralytics/yolov5/raw/master/data/images/zidane.jpg'
# inference
results = model(img)
# inference with larger input size
results = model(img, size=1280)
# inference with test time augmentation
results = model(img, augment=True)
# parse results
predictions = results.pred[0]
boxes = predictions[:, :4] # x1, x2, y1, y2
scores = predictions[:, 4]
categories = predictions[:, 5]
# show results
results.show()
# save results
results.save(save_dir='results/')

Обучение

Завершите настройку одной из предварительно обученных моделей YOLOv5, используя свой собственный data.yaml. Для получения подробной информации перейдите по ссылке: https://pypi.org/project/yolov5/.

$ yolov5 train --data coco.yaml --weights 'yolov5s6.pt' --batch-size 16

Визуализируйте свои эксперименты с помощью Neptune.AI:

$ yolov5 train --data data.yaml --weights yolov5s.pt --neptune_project NAMESPACE/PROJECT_NAME --neptune_token YOUR_NEPTUNE_TOKEN

Вывод

Команда yolov5 detect запускает логический вывод для различных источников, автоматически загружая модели из последней версии YOLOv5 и сохраняя результаты в runs/detect:

$ yolov5 detect --source 0  # webcam
                         file.jpg  # image
                         file.mp4  # video
                         path/  # directory
                         path/*.jpg  # glob

Экспорт

Вы можете экспортировать настроенные веса YOLOv5 в любой формат, например torchscript, onnx, coreml, pb, tflite, tfjs:

$ yolov5 export --weights yolov5s.pt --include 'torchscript,onnx,coreml,pb,tfjs'

Ультрасовременное Отслеживание объектов с помощью YOLOv5

Вы можете создать настраиваемый многообъектный трекер в реальном времени с помощью нескольких строк кода, вот минимальный пример:

И вот результат:

В этом блокноте colab вы можете найти трекер объектов YOLOv5 в действии. Он выполняет высокоточное отслеживание пешеходов и автомобилей из любого видео на YouTube! См. Здесь полный код отслеживания YOLOv5.

Обнаружение крупных объектов с помощью YOLOv5

Если вы работаете с огромными спутниковыми изображениями или изображениями наблюдения большой площади, вывод со стандартными входными размерами невозможен. А вот и пакет SAHI с его функцией срезанный вывод:

В этой демонстрационной записной книжке вы можете увидеть, как выполнить крупномасштабный нарезанный логический вывод с помощью YOLOv5 в несколько строк!

Или вы можете выполнить нарезанный вывод YOLOv5 из CLI:

sahi predict --model_type yolov5 --source image/file/or/folder --model_path path/to/model

Подробнее об аргументах CLI см. Здесь.

Заключение

В этой статье мы рассмотрели:

Не стесняйтесь задавать вопросы, если у вас возникнут проблемы на любом этапе!