CV之DL之YOLOv5:YOLOv5的简介、安装、使用方法之详细攻略
目录
5、Ultralytics提供以下预装好必需依赖的就绪环境,方便用户直接开展项目
YOLOv5的简介
背景痛点 | 传统的目标检测模型训练过程通常比较复杂,对于新手来说难度大 模型预测速度往往不能满足实时要求,难以在移动端或边缘场景下实现 |
主要解决方案 | YOLOv5采用PyTorch开发,使模型训练过程变得很简单。它提供了自动下载预训练模型和数据集的功能,一键训练模型 YOLOv5支持常见的OpenVINO、ONNX、CoreML、TensorRT等量化格式,可以方便的在移动或边缘设备上实现快速预测 项目提供了丰富的预训练模型,如yolov5n、yolov5s等不同大小和精度的模型,满足不同场景需求。 |
核心特点 | 易用性强,支持一键式训练、验证、预测流程 预测速度快,支持到毫秒级实时推理 开源免费,支持多种框架和设备,如PyTorch、ONNX、CoreML、TensorRT等 模型大小可选,从2M的yolov5n到86M的yolov5x,适应不同产品场景 性能优异,在COCO目标检测 benchmark上评估结果在国内外领先水平 |
2020年6月26日,YOLOv5在GitHub正式发布,YOLOv5是革命性的“一次看一眼”目标检测模型的第五次迭代,旨在实时提供高速、高准确度的结果。YOLOv5 通过 PyTorch、ONNX、CoreML、Tflite 实现。YOLOv5通过采用流行框架PyTorch开发,使模型训练简单;同时支持多种量化格式化,可以在移动端快速高效推理,极大缩短产品研发周期,在工业应用价值很高。
基于PyTorch构建的这个强大深度学习框架以其多功能性、易用性和高性能而赢得了极大的声望。我们的文档将引导您完成安装过程,解释模型的架构细微差别,展示各种用例,并提供一系列详细的教程。这些资源将帮助您充分发挥YOLOv5在计算机视觉项目中的潜力。让我们开始吧!
GitHub地址:GitHub - ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite
pytorch版本:YOLOv5 | PyTorch
YOLOv5的安装
请查看YOLOv5文档,了解有关训练、测试和部署的完整文档。以下是快速入门示例。
1、安装
在Python>=3.8.0环境中克隆存储库并安装requirements.txt,包括PyTorch>=1.8。
git clone https://github.com/ultralytics/yolov5 # 克隆
cd yolov5
pip install -r requirements.txt # 安装
2、推理
使用YOLOv5 PyTorch Hub进行推理。模型会自动从最新的YOLOv5发布中下载。
import torch
# 模型
model = torch.hub.load("ultralytics/yolov5", "yolov5s") # 或 yolov5n - yolov5x6,或自定义
# 图像
img = "https://ultralytics.com/images/zidane.jpg" # 或文件、路径、PIL、OpenCV、numpy、列表
# 推理
results = model(img)
# 结果
results.print() # 或 .show()、.save()、.crop()、.pandas() 等
3、使用detect.py进行推理
detect.py对各种来源运行推理,从最新的YOLOv5发布中自动下载模型,并将结果保存到runs/detect中。
python detect.py --weights yolov5s.pt --source 0 # webcam
img.jpg # image
vid.mp4 # video
screen # screenshot
path/ # directory
list.txt # list of images
list.streams # list of streams
'path/*.jpg' # glob
'https://youtu.be/LNwODJXcvt4' # YouTube
'rtsp://example.com/media.mp4' # RTSP, RTMP, HTTP stream
4、训练
以下命令重现了YOLOv5 COCO结果。模型和数据集会自动从最新的YOLOv5发布中下载。在V100 GPU上,YOLOv5n/s/m/l/x的训练时间分别为1/2/4/6/8天(使用多GPU时速度更快)。尽量使用最大的--batch-size,或者对于YOLOv5 AutoBatch,传递--batch-size -1。V100-16GB的批次大小如下所示。
python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5n.yaml --batch-size 128
yolov5s 64
yolov5m 40
yolov5l 24
yolov5x 16
5、Ultralytics提供以下预装好必需依赖的就绪环境,方便用户直接开展项目
文档地址:Comprehensive Guide to Ultralytics YOLOv5 - Ultralytics YOLOv8 Docs
支持的环境 | 搭建深度学习环境需要安装各种依赖库(如CUDA、CUDNN、Python、PyTorch等),给用户带来较高门槛。Ultralytics提供以下预装好必需依赖的就绪环境,方便用户直接开展项目: |
核心特点 | 各环境预装必需的CUDA、CUDNN、Python、PyTorch等深度学习依赖库 免去从零搭建环境的复杂过程,一键就能运行模型训练和推理代码 支持主流的云平台和本地Docker环境,为不同需求提供选择 |
优势 | 降低用户入门门槛,优化开发体验 节省依赖库安装和环境配置时间,提高开发效率 统一环境标准,保证代码在不同环境下均能高效运行,兼容性好 总之,Ultralytics通过提供一系列预装完备依赖的YOLOv5就绪环境,很好地解决了深度学习环境搭建的痛点,大幅简化了用户使用YOLOv5模型的门槛,提高了使用效率。 |
- Free GPU Notebooks:
- Google Cloud: GCP Quickstart Guide
- Amazon: AWS Quickstart Guide
- Azure: AzureML Quickstart Guide
- Docker: Docker Quickstart Guide
YOLOv5的使用方法
更新中……