yolov5 簡單教程

該庫代表Ultralytics對未來物件檢測方法的開源研究，并結合了以前的YOLO庫https://github.com/ultralytics/yolov3在自定義資料集上訓練了數千個模型而得到的最佳實踐，所有代碼和模型都在積極的開發中，如有修改或洗掉，恕不另行通知，如果使用，風險自負，

GPU速度測量：使用V100的GPU在超過5000張COCO val2017影像上測量批處理大小為8的平均每張影像的端到端時間，包括影像預處理，PyTorch FP16推斷，后處理和NMS，

• 2020年6月22日：PANet更新：新的特性，更少的引數，更快的推理和改進的mAP 364fcfd，
• 2020年6月19日：FP16作為新的默認設定，可用于更小的檢查點和更快的推斷d4c6674，
• 2020年6月9日：CSP更新：改進了速度，大小和準確性（歸功于@WongKinYiu），
• 2020年5月27日：公開發布庫，YOLOv5模型是所有已知YOLO實作中最先進(SOTA)的，
• 2020年4月1日：未來開始發展基于YOLOv3 / YOLOv4的一系列PyTorch模型，

預訓練的檢查點(checkpoints)

** AP測驗表示COCOtest-dev2017服務器結果，表中所有其他AP結果表示val2017準確性，
**所有AP編號均適用于單模型單尺度，而沒有集成或測驗時間增加，通過python test.py --img 736 --conf 0.001進行使用，
**速度GPU測量：進行再現使用一個V100的GPU和一個GCPn1-standard-16實體在超過5000張COCO val2017影像上測量每張影像的端到端時間，包括影像預處理，PyTorch FP16影像推斷（批量大小 32 --img-size 640），后處理和NMS，此圖表中包括的平均NMS時間為1-2ms / img，通過python test.py --img 640 --conf 0.1進行測驗，
**所有檢查點均使用默認的設定和超引數訓練到300個epochs（無自動增強），

要求

Python 3.7或更高版本，安裝了requirements.txt要求的所有的庫和torch >= 1.5，運行下面命令進行安裝：

$ 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

推斷

可以在大多數常見的媒體格式上進行推斷，模型檢查點（在網上如果有對應的檢查點的話）會自動下載，結果保存到./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

要對./inference/images檔案夾中的示例進行推斷，請執行以下操作：

$ 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

復現我們的訓練

下載COCO，安裝Apex并在運行下面命令，在一臺有V100的GPU上，YOLOv5s / m / l / x的訓練時間為2/4/6/8天（多個GPU的訓練速度更快），使用您的GPU允許的最大--batch-size容量（下面的batchsize是為16 GB設備而設定的），

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

復現我們的環境

要訪問最新的作業環境（已預安裝所有庫，包括CUDA / CUDNN，Python和PyTorch），請考慮以下網站：

• Google Cloud 深度學習VM，提供$300的免費贈金：請參閱我們的GCP快速入門指南

• Google Colab Notebook 具有12小時的免費GPU時間，

• Docker Image https://hub.docker.com/r/ultralytics/yolov5 .請參閱 Docker快速入門指南

參考

原文鏈接：https://github.com/ultralytics/yolov5

歡迎關注磐創AI博客站：
http://panchuang.net/

sklearn機器學習中文官方檔案：
http://sklearn123.com/

歡迎關注磐創博客資源匯總站：
http://docs.panchuang.net/

標籤：其他

上一篇：大盤點！CVPR 2020目標檢測論文精選

下一篇：Ray和RLlib用于快速并行強化學習