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:
- Самый простой способ установки YOLOv5
- Самый простой способ обучение / вывод YOLOv5
- Самый простой способ слежения за объектом YOLOv5
- Самый простой способ нарезанного вывода YOLOv5
Не стесняйтесь задавать вопросы, если у вас возникнут проблемы на любом этапе!