快速入门 YOLOv5(ultralytics)

YOLOv5 是一系列在 COCO 数据集上预训练的对象检测架构和模型，代表Ultralytics 对未来视觉 AI 方法的开源研究，结合了在数千小时的研究和开发中获得的经验教训和最佳实践。

文档

有关训练、测试和部署的完整文档，请参阅YOLOv5 文档。

快速入门示例

• 安装

Python>=3.6.0需要安装所有 requirements.txt包括 PyTorch>=1.7：

$ git clone https://github.com/ultralytics/yolov5
$ cd yolov5
$ pip install -r requirements.txt

• 推理

推理可以直接从 PyTorch Hub 运行，而无需克隆存储库。必要的文件将下载到您的临时目录中。使用 YOLOv5 和PyTorch Hub 进行推理。模型会自动从latest YOLOv5 release下载。

import torch

# Model
model = torch.hub.load('ultralytics/yolov5', 'yolov5s')  # or yolov5m, yolov5l, yolov5x, custom

# Images
img = 'https://ultralytics.com/images/zidane.jpg'  # or file, Path, PIL, OpenCV, numpy, list

# Inference
results = model(img)

# Results
results.print()  # or .show(), .save(), .crop(), .pandas(), etc.

• 使用detect.py进行推理

detect.py在各种来源上运行推理，自动从最新的 YOLOv5 版本下载模型并将结果保存到runs/detect.

$ python detect.py --source 0   # webcam 
                            file.jpg   # image 
                            file.mp4   # video 
                            path/   # directory 
                            path/*.jpg   # glob 
                            'https://youtu.be/NUsoVlDFqZg'   # YouTube video 
                            'rtsp:/ /example.com/media.mp4'   # RTSP、RTMP、HTTP stream

将 OPTION 替换为您的选择，以检测：

• 网络摄像头：（OPTION = 0）用于从您连接的网络摄像头检测活动物体
• Image : (OPTION =filename.jpg)使用对象检测覆盖创建图像的副本
• 视频: (OPTION = filename.mp4)使用对象检测覆盖创建视频副本
• 目录：(OPTION = directory_name/)使用对象检测覆盖创建所有文件的副本
• 全局文件类型(OPTION =directory_name/*.jpg)使用对象检测覆盖创建所有文件的副本
• RTSP 流：（OPTION = rtsp://170.93.143.139/rtplive/470011e600ef003a004ee33696235daa）用于从流中检测活动对象
  RTMP 流：（OPTION = rtmp://192.168.1.105/live/test）用于从流中检测活动对象
  HTTP流：（OPTION =
  http://112.50.243.8/PLTV/88888888/224/3221225900/1.m3u8）用于从流中检测活动物体

目前支持以下文件格式：

• 图片： bmp、jpg、jpeg、png、tif、tiff、dng、webp、mpo
• 视频： mov、avi、mp4、mpg、mpeg、m4v、wmv、mkv

• 训练

运行以下命令以在COCO数据集上重现结果（首次使用时自动下载数据集）。在单个 V100 上，YOLOv5s/m/l/x 的训练时间为 2/4/6/8 天（多 GPU 速度更快）。使用–batch-size您的 GPU 允许的最大尺寸（显示 16 GB 设备的批次大小）。

$ python train.py --data coco.yaml --cfg  yolov5s.yaml --weights ' ' --batch-size 64
											                                        yolov5m                                                           40
											                                        yolov5l 															24
											                                        yolov5x 															16

• 教程

训练自定义数据
获得最佳训练效果的提示
权重和偏差记录
监督生态系统
多 GPU 训练
PyTorch 中心
TorchScript、ONNX、CoreML 导出
测试时间增加 (TTA)
模型集成
模型修剪/稀疏性
超参数演化
使用冻结层进行迁移学习
TensorRT 部署

为什么是 YOLOv5

YOLOv5-P5 640

• GPU 速度使用批大小为 32 的 V100 GPU 测量每张图像的平均端到端时间超过 5000 张 COCO val2017 图像，包括图像预处理、PyTorch FP16 推理、后处理和 NMS。
• 来自google/automl批量大小为 8 的EfficientDet 数据。
• 重现通过 python val.py --task study --data coco.yaml --iou 0.7 --weights yolov5s6.pt yolov5m6.pt yolov5l6.pt yolov5x6.pt