YOLOv5 6 行代码实现目标检测

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。

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

使用

使用 YOLOv5 和 PyTorch Hub 进行推理。 模型会自动从最新的 YOLOv5 版本下载。

import torch

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

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

# Inference
results = model(img)

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

使用 detect.py

detect.py 自动下载最近新的 YOLO5 模型，保存检测的结果到 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

训练

运行以下命令以在 COCO 数据集上重现结果（首次使用时数据集自动下载）。 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）。

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

运行环境

在几秒钟内开始使用经过验证的环境和集成，包括用于自动 YOLOv5 实验记录的权重和偏差。 单击下面的每个图标了解详细信息。
Docker 环境：https://hub.docker.com/r/ultralytics/yolov5
colab: https://colab.research.google.com/github/ultralytics/yolov5/blob/master/tutorial.ipynb

未经允许不得转载：PythonOK » YOLOv5 6 行代码实现目标检测