相关文章推荐
愤怒的显示器  ·  sql - PostgreSQL - ...·  1 年前    · 
狂野的水煮鱼  ·  angular - ThingsBoard ...·  2 年前    · 
阳光的青蛙  ·  mongotemplate ...·  2 年前    · 

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。

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

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

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
 

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

在这里插入图片描述
YOLOv5-P5 640
在这里插入图片描述

  • 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
    在这里插入图片描述
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。https://github.com/OlafenwaMoses/FireNET/releases/download/v1.0/fire-dataset.zip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 requirement
本文介绍了如何搭建yolov5目标检测代码的环境,详细记录了python虚拟环境、安装pytorch、加载yolov5项目以及运行检测程序的全过程。 完成了本文的yolov5项目搭建后,可以查看本文下一篇文章:使用yolov5训练自己的数据集并测试。 一、安装Python虚拟环境 1、首先在所在系统中安装Anaconda。可以打开命令行输入conda -V检验是否安装以及当前conda的版本。 网络上已经有很多关于yolov5代码解析,为什么还要写一篇? 因为关于模型的代码一直看的半懂,再不动手写下,可能代码都看下去了。。。(【注】代码中的有些注释,有一开始学习yolov5代码时学习博主的代码剖析文章添加的。链接放上,多向大佬学习!!!)yolov5深度剖析+源码debug级讲解系列(二)backbone构建)YOLOV5训练代码train.py注释与解析 有关构建yolov5网络模型的代码主要由在models文件夹下的com
DataCareer: T P—— 预测为 P (正例), 预测对了, 本来是正样本,检测为正样本(真阳性)。 T N—— 预测为 N (负例), 预测对了, 本来是负样本,检测为负样本(真阴性)。 F P—— 预测为 P (正例), 预测错了, 本来是负样本,检测为正样本(假阳性)。 F N—— 预测为 N (负例), 预测错了, 本来是正样本,检测为负样本(假阴性)。 ----- 这句确定没问题吗 Jetson Nano | DeepStream部署Yolov5(Pytorch模型-->wts 文件-->TensorRT模型) 有闲的小孩新子: 想问下这个详细要怎么做:哪里能找到官方文档python版视频预测从之前的5fps提升到了20fps,人眼看不出差别了,基本可以做到实时。python yolov5_trt.py c++部署的视频预测载入模型与预测都比python快,25fps Jetson Nano | DeepStream部署Yolov5(Pytorch模型-->wts 文件-->TensorRT模型) THE@JOKER: 好久没搞了,你看看这个工程是不是更新了