yolov5 簡單教程

時間 2020-07-16

標籤 yolov5 yolov 簡單教程简体版

原文原文鏈接

該庫表明Ultralytics對將來對象檢測方法的開源研究，並結合了之前的YOLO庫https://github.com/ultralytic...。全部代碼和模型都在積極的開發中，若有修改或刪除，恕不另行通知。若是使用，風險自負。html

GPU速度測量：使用V100的GPU在超過5000張COCO val2017圖像上測量批處理大小爲8的平均每張圖像的端到端時間，包括圖像預處理，PyTorch FP16推斷，後處理和NMS。python

2020年6月22日：PANet更新：新的特性，更少的參數，更快的推理和改進的mAP 364fcfd。
2020年6月19日：FP16做爲新的默認設置，可用於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（歸功於@WongKinYiu）。
2020年5月27日：公開發布庫。YOLOv5模型是全部已知YOLO實現中最早進(SOTA)的。
2020年4月1日：將來開始發展基於YOLOv3 / YOLOv4的一系列PyTorch模型。

預訓練的檢查點(checkpoints)

Model	APval	APtest	AP50	SpeedGPU	FPSGPU	params	FLOPS
YOLOv5s	36.6	36.6	55.8	2.1ms	476	7.5M	13.2B
YOLOv5m	43.4	43.4	62.4	3.0ms	333	21.8M	39.4B
YOLOv5l	46.6	46.7	65.4	3.9ms	256	47.8M	88.1B
YOLOv5x	48.4	48.4	66.9	6.1ms	164	89.0M	166.4B
YOLOv3-SPP	45.6	45.5	65.2	4.5ms	222	63.0M	118.0B

** AP測試表示COCOtest-dev2017服務器結果，表中全部其餘AP結果表示val2017準確性。
**全部AP編號均適用於單模型單尺度，而沒有集成或測試時間增長。經過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實例在超過5000張COCO val2017圖像上測量每張圖像的端到端時間，包括圖像預處理，PyTorch FP16圖像推斷（批量大小 32 --img-size 640），後處理和NMS。此圖表中包括的平均NMS時間爲1-2ms / img。經過python test.py --img 640 --conf 0.1進行測試。
**全部檢查點均使用默認的設置和超參數訓練到300個epochs（無自動加強）。git

要求

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

$ pip install -U -r requirements.txt

教程

推斷

能夠在大多數常見的媒體格式上進行推斷。模型檢查點（在網上若是有對應的檢查點的話）會自動下載。結果保存到./inference/output。web

$ 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文件夾中的示例進行推斷，請執行如下操做：docker

$ 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

復現咱們的訓練

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

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