yolov5-简单教程

该库代表 Ultralytics 对将来对象检测办法的开源钻研，并联合了以前的 YOLO 库 https://github.com/ultralytic…。所有代码和模型都在踊跃的开发中，如有批改或删除，恕不另行通知。如果应用，危险自负。

GPU 速度测量：应用 V100 的 GPU 在超过 5000 张 COCO val2017 图像上测量批处理大小为 8 的均匀每张图像的端到端工夫，包含图像预处理，PyTorch FP16 推断，后处理和 NMS。

• 2020 年 6 月 22 日：PANet 更新：新的个性，更少的参数，更快的推理和改良的 mAP 364fcfd。
• 2020 年 6 月 19 日：FP16 作为新的默认设置，可用于更小的检查点和更快的推断 d4c6674。
• 2020 年 6 月 9 日：CSP 更新：改良了速度，大小和准确性（归功于 @WongKinYiu）。
• 2020 年 5 月 27 日 ：公开公布库。YOLOv5 模型是所有已知 YOLO 实现中最先进(SOTA) 的。
• 2020 年 4 月 1 日：将来开始倒退基于 YOLOv3 / YOLOv4 的一系列 PyTorch 模型。

预训练的检查点(checkpoints)

** AP 测试示意 COCOtest-dev2017 服务器后果，表中所有其余 AP 后果示意 val2017 准确性。
** 所有 AP 编号均实用于单模型单尺度，而没有集成或测试工夫减少。通过 python test.py --img 736 --conf 0.001 进行应用。
** 速度 GPU 测量：进行再现应用一个 V100 的 GPU 和一个 GCPn1-standard-16 实例在超过 5000 张 COCO val2017 图像上测量每张图像的端到端工夫，包含图像预处理，PyTorch FP16 图像推断（批量大小 32 –img-size 640），后处理和 NMS。此图表中包含的均匀 NMS 工夫为 1 -2ms / img。通过 python test.py --img 640 --conf 0.1 进行测试。
** 所有检查点均应用默认的设置和超参数训练到 300 个 epochs（无主动加强）。

要求

Python 3.7 或更高版本，装置了 requirements.txt 要求的所有的库和torch >= 1.5，运行上面命令进行装置：

$ pip install -U -r requirements.txt

教程

• Notebook
• Kaggle
• Train Custom Data
• PyTorch Hub
• ONNX and TorchScript Export
• Test-Time Augmentation (TTA)
• Google Cloud Quickstart
• Docker Quickstart

推断

能够在大多数常见的媒体格式上进行推断。模型检查点（在网上如果有对应的检查点的话）会主动下载。后果保留到./inference/output。

$ python detect.py --source file.jpg  # image 
                            file.mp4  # video
                            ./dir  # directory
                            0  # webcam
                            rtsp://170.93.143.139/rtplive/470011e600ef003a004ee33696235daa  # rtsp stream
                            http://112.50.243.8/PLTV/88888888/224/3221225900/1.m3u8  # http stream

要对 ./inference/images 文件夹中的示例进行推断，请执行以下操作：

$ python detect.py --source ./inference/images/ --weights yolov5s.pt --conf 0.4

Namespace(agnostic_nms=False, augment=False, classes=None, conf_thres=0.4, device='', fourcc='mp4v', half=False, img_size=640, iou_thres=0.5, output='inference/output', save_txt=False, source='./inference/images/', view_img=False, weights='yolov5s.pt')
Using CUDA device0 _CudaDeviceProperties(name='Tesla P100-PCIE-16GB', total_memory=16280MB)

Downloading https://drive.google.com/uc?export=download&id=1R5T6rIyy3lLwgFXNms8whc-387H0tMQO as yolov5s.pt... Done (2.6s)

image 1/2 inference/images/bus.jpg: 640x512 3 persons, 1 buss, Done. (0.009s)
image 2/2 inference/images/zidane.jpg: 384x640 2 persons, 2 ties, Done. (0.009s)
Results saved to /content/yolov5/inference/output

复现咱们的训练

下载 COCO，装置 Apex 并在运行上面命令。在一台有 V100 的 GPU 上，YOLOv5s / m / l / x 的训练工夫为 2 /4/6/ 8 天（多个 GPU 的训练速度更快）。应用您的 GPU 容许的最大 --batch-size 容量（上面的 batchsize 是为 16 GB 设施而设置的）。

$ python train.py --data coco.yaml --cfg yolov5s.yaml --weights '' --batch-size 64
                                         yolov5m                                48
                                         yolov5l                                32
                                         yolov5x                                16

复现咱们的环境

要拜访最新的工作环境（已预装置所有库，包含 CUDA / CUDNN，Python 和 PyTorch），请思考以下网站：

• Google Cloud 深度学习 VM，提供 $300 的收费赠金：请参阅咱们的 GCP 疾速入门指南
• Google Colab Notebook 具备 12 小时的收费 GPU 工夫。
• Docker Image https://hub.docker.com/r/ultr… . 请参阅 Docker 疾速入门指南

援用

原文链接：https://github.com/ultralytic…

欢送关注磐创 AI 博客站：
http://panchuang.net/

sklearn 机器学习中文官网文档：
http://sklearn123.com/

欢送关注磐创博客资源汇总站：
http://docs.panchuang.net/