快速入门 YOLOv5(ultralytics)_ultralytics yolov5_THE@JOKER的博客

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
 

 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
 
                    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&gt;=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