ultralytics/yolov5

Sao chép kho lưu trữ và cài đặt các phần phụ thuộc trong Python>=3.8.0 môi trường. Đảm bảo bạn có PyTorch>=1,8 đã cài đặt.

# Clone the YOLOv5 repository
git clone https://github.com/ultralytics/yolov5

# Navigate to the cloned directory
cd yolov5

# Install required packages
pip install -r requirements.txt

Sử dụng YOLOv5 qua Trung tâm PyTorch để suy luận. Người mẫu được tự động tải xuống từ YOLOv5 mới nhất phát hành.

import torch

# Load a YOLOv5 model (options: yolov5n, yolov5s, yolov5m, yolov5l, yolov5x)
model = torch.hub.load("ultralytics/yolov5", "yolov5s")  # Default: yolov5s

# Define the input image source (URL, local file, PIL image, OpenCV frame, numpy array, or list)
img = "https://ultralytics.com/images/zidane.jpg"  # Example image

# Perform inference (handles batching, resizing, normalization automatically)
results = model(img)

# Process the results (options: .print(), .show(), .save(), .crop(), .pandas())
results.print()  # Print results to console
results.show()  # Display results in a window
results.save()  # Save results to runs/detect/exp

các detect.py tập lệnh chạy suy luận trên nhiều nguồn khác nhau. Nó tự động tải xuống mô hình từ YOLOv5 mới nhất phát hành và lưu kết quả vào runs/detect thư mục.

# Run inference using a webcam
python detect.py --weights yolov5s.pt --source 0

# Run inference on a local image file
python detect.py --weights yolov5s.pt --source img.jpg

# Run inference on a local video file
python detect.py --weights yolov5s.pt --source vid.mp4

# Run inference on a screen capture
python detect.py --weights yolov5s.pt --source screen

# Run inference on a directory of images
python detect.py --weights yolov5s.pt --source path/to/images/

# Run inference on a text file listing image paths
python detect.py --weights yolov5s.pt --source list.txt

# Run inference on a text file listing stream URLs
python detect.py --weights yolov5s.pt --source list.streams

# Run inference using a glob pattern for images
python detect.py --weights yolov5s.pt --source 'path/to/*.jpg'

# Run inference on a YouTube video URL
python detect.py --weights yolov5s.pt --source 'https://youtu.be/LNwODJXcvt4'

# Run inference on an RTSP, RTMP, or HTTP stream
python detect.py --weights yolov5s.pt --source 'rtsp://example.com/media.mp4'

Các lệnh dưới đây minh họa cách tái tạo YOLOv5 Tập dữ liệu COCO kết quả. Cả hai mô hình và bộ dữ liệu được tải xuống tự động từ YOLOv5 mới nhất phát hành. Thời gian huấn luyện cho YOLOv5n/s/m/l/x là khoảng 1/2/4/6/8 ngày trong một lần NVIDIA V100 GPU. sử dụng Đào tạo Multi-GPU có thể giảm đáng kể thời gian đào tạo. Sử dụng lớn nhất --batch-size phần cứng của bạn cho phép hoặc sử dụng --batch-size -1 cho YOLOv5 Tự động hàng loạt. Kích thước lô hiển thị bên dưới dành cho GPU V100-16GB.

# Train YOLOv5n on COCO for 300 epochs
python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5n.yaml --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

• Đào tạo dữ liệu tùy chỉnh 🚀 KHUYẾN NGHỊ: Tìm hiểu cách huấn luyện YOLOv5 trên bộ dữ liệu của riêng bạn.
• Lời khuyên để có kết quả tập luyện tốt nhất ✔️: Cải thiện hiệu suất mô hình của bạn với các mẹo của chuyên gia.
• Đào tạo đaGPU: Tăng tốc độ đào tạo bằng cách sử dụng nhiều GPU.
• Tích hợp trung tâm PyTorch: Dễ dàng tải các mô hình bằng cách sử dụng Hub PyTorch.
• Xuất mô hình (TFLite, ONNX, CoreML, TensorRT) 🚀: Chuyển đổi mô hình của bạn sang các định dạng triển khai khác nhau như ONNX hoặc TenorRT.
• Triển khai NVIDIA Jetson: Triển khai YOLOv5 trên NVIDIA Jetson thiết bị.
• Tăng cường thời gian thử nghiệm (TTA): Nâng cao độ chính xác của dự đoán với TTA.
• Lắp ráp mô hình: Kết hợp nhiều mô hình để có hiệu suất tốt hơn.
• Cắt tỉa/thưa thớt mô hình: Tối ưu hóa mô hình về kích thước và tốc độ.
• Sự tiến hóa siêu tham số: Tự động tìm các siêu tham số đào tạo tốt nhất.
• Chuyển giao học tập với các lớp cố định: Điều chỉnh các mô hình đã được huấn luyện trước cho phù hợp với các nhiệm vụ mới một cách hiệu quả bằng cách sử dụng học chuyển tiếp.
• Tóm tắt kiến trúc: Tìm hiểu kiến trúc mô hình YOLOv5.
• Đào tạo nền tảng Ultralytics 🚀 KHUYẾN NGHỊ: Huấn luyện và triển khai các mô hình YOLO bằng Nền tảng Ultralytics.
• Ghi nhật ký ClearML: Tích hợp với ClearML để theo dõi thí nghiệm.
• Tích hợp sâu thần kinh thần kinh: Tăng tốc suy luận với DeepSparse.
• Ghi nhật ký sao chổi: Ghi nhật ký thí nghiệm bằng cách sử dụng sao chổi ML.

• Giá trị COCO AP biểu thị có nghĩa là độ chính xác trung bình (mAP) tại Giao lộ qua Union (IoU) ngưỡng từ 0,5 đến 0,95, được đo trên 5.000 hình ảnh Bộ dữ liệu COCO val2017 trên nhiều kích thước suy luận khác nhau (256 đến 1536 pixel).
• GPU Tốc độ đo thời gian suy luận trung bình trên mỗi hình ảnh trên Bộ dữ liệu COCO val2017 sử dụng một Phiên bản AWS p3.2xlarge V100 với kích thước lô là 32.
• Det hiệu quả dữ liệu được lấy từ kho lưu trữ google/automl ở cỡ lô 8.
• sinh sản những kết quả này bằng cách sử dụng lệnh: python val.py --task study --data coco.yaml --iou 0.7 --weights yolov5n6.pt yolov5s6.pt yolov5m6.pt yolov5l6.pt yolov5x6.pt

• Các hàng 640 pixel báo cáo các điểm kiểm tra YOLOv5 dựa trên neo cũ, trong khi các liên kết của chúng mở ra các mô hình kế thừa YOLOv5u không có neo tương ứng trên Nền tảng Ultralytics. Các liên kết P6 tiếp tục tải xuống trực tiếp các điểm kiểm tra 1280 pixel cũ.
• Tất cả các điểm kiểm tra đã được đào tạo trong 300 kỷ nguyên bằng cách sử dụng cài đặt mặc định. Sử dụng mô hình Nano (n) và Nhỏ (s) hyp.scratch-thấp.YAML siêu tham số, trong khi các mô hình Trung bình (m), Lớn (l) và Cực lớn (x) sử dụng hyp.scratch-cao.YAML.
• bản đồ^{giá trị} các giá trị đại diện cho hiệu suất của một mô hình, quy mô đơn trên Bộ dữ liệu COCO val2017.
  Tái tạo bằng cách sử dụng: python val.py --data coco.yaml --img 640 --conf 0.001 --iou 0.65
• Tốc độ số liệu được tính trung bình trên hình ảnh giá trị COCO bằng cách sử dụng Phiên bản AWS p3.2xlarge V100. Không bao gồm thời gian ngăn chặn không tối đa (NMS) (~1 ms/hình ảnh).
  Tái tạo bằng cách sử dụng: python val.py --data coco.yaml --img 640 --task speed --batch 1
• TTA (Tăng thời gian thử nghiệm) bao gồm các phép tăng cường độ phản xạ và tỷ lệ để cải thiện độ chính xác.
  Tái tạo bằng cách sử dụng: python val.py --data coco.yaml --img 1536 --iou 0.7 --augment

Các mô hình phân đoạn YOLOv5 đã được đào tạo trên Tập dữ liệu COCO trong 300 kỷ nguyên ở kích thước hình ảnh 640 pixel sử dụng GPU A100. Các mô hình đã được xuất khẩu sang ONNX FP32 để kiểm tra tốc độ CPU và TenorRT FP16 để kiểm tra tốc độ GPU. Tất cả các bài kiểm tra tốc độ đều được thực hiện trên Google Colab Pro sổ ghi chép để tái sản xuất.

• Tất cả các điểm kiểm tra đã được huấn luyện trong 300 kỷ nguyên bằng cách sử dụng trình tối ưu hóa SGD với lr0=0.01 và weight_decay=5e-5 ở kích thước hình ảnh 640 pixel, sử dụng cài đặt mặc định.
  Quá trình đào tạo được ghi lại https://wandb.ai/glenn-jocher/YOLOv5_v70_official.
• Độ chính xác các giá trị thể hiện hiệu suất của một mô hình, quy mô đơn trên bộ dữ liệu COCO.
  Tái tạo bằng cách sử dụng: python segment/val.py --data coco.yaml --weights yolov5s-seg.pt
• Tốc độ số liệu được tính trung bình trên 100 hình ảnh suy luận bằng cách sử dụng Phiên bản Colab Pro A100 RAM cao. Các giá trị chỉ biểu thị tốc độ suy luận (NMS thêm khoảng 1 mili giây cho mỗi hình ảnh).
  Tái tạo bằng cách sử dụng: python segment/val.py --data coco.yaml --weights yolov5s-seg.pt --batch 1
• Xuất khẩu đến ONNX (FP32) và TensorRT (FP16) đã được thực hiện bằng cách sử dụng export.py.
  Tái tạo bằng cách sử dụng: python export.py --weights yolov5s-seg.pt --include engine --device 0 --half

Ví dụ sử dụng phân đoạn  

tàu hỏa

Đào tạo phân đoạn YOLOv5 hỗ trợ tải xuống tự động Tập dữ liệu COCO128-seg thông qua --data coco128-seg.yaml lý lẽ. Để có đầy đủ Tập dữ liệu phân đoạn COCO, tải xuống thủ công bằng cách sử dụng bash data/scripts/get_coco.sh --train --val --segments và sau đó luyện tập với python segment/train.py --data coco.yaml.

# Train on a single GPU
python segment/train.py --data coco128-seg.yaml --weights yolov5s-seg.pt --img 640

# Train using Multi-GPU Distributed Data Parallel (DDP)
python -m torch.distributed.run --nproc_per_node 4 --master_port 1 segment/train.py --data coco128-seg.yaml --weights yolov5s-seg.pt --img 640 --device 0,1,2,3

Val

Xác thực mặt nạ có nghĩa là độ chính xác trung bình (mAP) của YOLOv5s-seg trên tập dữ liệu COCO:

# Download COCO validation segments split (780MB, 5000 images)
bash data/scripts/get_coco.sh --val --segments

# Validate the model
python segment/val.py --weights yolov5s-seg.pt --data coco.yaml --img 640

Dự đoán

Sử dụng mô hình YOLOv5m-seg.pt đã được huấn luyện trước để thực hiện phân đoạn trên bus.jpg:

# Run prediction
python segment/predict.py --weights yolov5m-seg.pt --source data/images/bus.jpg

# Load model from PyTorch Hub (Note: Inference support might vary)
model = torch.hub.load("ultralytics/yolov5", "custom", "yolov5m-seg.pt")

Xuất khẩu

Xuất mô hình phân đoạn YOLOv5s sang định dạng ONNX và TensorRT:

# Export model
python export.py --weights yolov5s-seg.pt --include onnx engine --img 640 --device 0

Các mô hình phân loại YOLOv5-cls đã được huấn luyện trên ImageNet trong 90 kỷ nguyên sử dụng phiên bản 4xA100. ResNet và Mạng hiệu quả các mô hình đã được đào tạo cùng với các cài đặt giống hệt nhau để so sánh. Các mô hình đã được xuất khẩu sang ONNX FP32 (kiểm tra tốc độ CPU) và TenorRT FP16 (kiểm tra tốc độ GPU). Tất cả các bài kiểm tra tốc độ đều được chạy trên Google Colab Pro cho khả năng tái tạo.

Ví dụ sử dụng phân loại  

tàu hỏa

Đào tạo phân loại YOLOv5 hỗ trợ tải xuống tự động các bộ dữ liệu như MNIST, Thời trang-MNIST, CIFAR10, CIFAR100, Hình ảnh, Hình ảnh giảvà ImageNet sử dụng --data lý lẽ. Ví dụ: bắt đầu đào tạo về MNIST với --data mnist.

# Train on a single GPU using CIFAR-100 dataset
python classify/train.py --model yolov5s-cls.pt --data cifar100 --epochs 5 --img 224 --batch 128

# Train using Multi-GPU DDP on ImageNet dataset
python -m torch.distributed.run --nproc_per_node 4 --master_port 1 classify/train.py --model yolov5s-cls.pt --data imagenet --epochs 5 --img 224 --device 0,1,2,3

Val

Xác thực tính chính xác của mô hình YOLOv5m-cls trên tập dữ liệu xác thực ImageNet-1k:

# Download ImageNet validation split (6.3GB, 50,000 images)
bash data/scripts/get_imagenet.sh --val

# Validate the model
python classify/val.py --weights yolov5m-cls.pt --data ../datasets/imagenet --img 224

Dự đoán

Sử dụng mô hình YOLOv5s-cls.pt đã được tiền huấn luyện để phân loại hình ảnh bus.jpg:

# Run prediction
python classify/predict.py --weights yolov5s-cls.pt --source data/images/bus.jpg

# Load model from PyTorch Hub
model = torch.hub.load("ultralytics/yolov5", "custom", "yolov5s-cls.pt")

Xuất khẩu

Xuất các mô hình YOLOv5s-cls, ResNet50 và EfficiencyNet_b0 đã được đào tạo sang các định dạng ONNX và TensorRT:

# Export models
python export.py --weights yolov5s-cls.pt resnet50.pt efficientnet_b0.pt --include onnx engine --img 224