YOLOv5目標檢測源碼重磅發(fā)布了！

https://github.com/ultralytics/yolov5

該存儲庫代表了對未來對象檢測方法的超解析開源研究，并結合了在使用之前的YOLO存儲庫在自定義客戶機數(shù)據(jù)集上訓練數(shù)千個模型時所吸取的經驗教訓和改進的最佳實踐https://github.com/ultralytics/yolov3。所有代碼和模型都在積極開發(fā)中，可能會被修改或刪除，恕不另行通知。使用風險自負。

更新：

2020年5月27日：公開發(fā)布。yolov3 spp（發(fā)布協(xié)議）是所有已知yolo實現(xiàn)中的SOTA，yolov5系列將在2020年第2/3季度進行架構研究和開發(fā)，以提高性能。更新可能包括來自yolov4的CSP瓶頸，以及PANet或BiFPN head特
性。

2020年5月24日：訓練yolov5s/x和yolov3-spp。yolov5m/l出現(xiàn)早期過度擬合，并且代碼137早期docker終止，原因未知。yolov5l因早期過度擬合而表現(xiàn)不佳yolov3 spp，原因未知。
2020年4月1日：開始開發(fā)100%Pythorch可縮放的基于yolov3/4的未來模型組，包括小型、中型、大型和超大型，統(tǒng)稱為yolov5。模型將由新的用戶友好的基于yaml的配置文件定義，以便于構建和修改。數(shù)據(jù)集也將使用yaml配置文件。新的訓練平臺將更簡單的使用，更難打破，更強大的訓練范圍更廣的自定義數(shù)據(jù)集。

專業(yè)解析（Ultralytics Professional Support）

基于云的人工智能監(jiān)控系統(tǒng)實時運行在數(shù)百個高清視頻流上。邊緣人工智能集成到定制的iOS和Android應用程序中，可實現(xiàn)每秒30幀的實時視頻推斷。

預先訓練的檢測

**APtest表示COCO test-dev2017服務器結果，表中所有其他AP結果表示val2017精度。
**所有的精度數(shù)字都是針對沒有集合或測試時間增加的單模型單尺度。

python test.py --img-size 736 --conf_thres 0.001

**LatencyGPU使用V100 GPU測量平均超過5000張COCO val2017圖像的端到端延遲，包括圖像預處理、推斷、后處理和NMS。此圖表中包含的平均NMS時間為1.6ms/圖像。

python test.py --img-size 640 --conf_thres 0.1 --batch-size 16

**所有檢查點都訓練到300個具有默認設置和超參數(shù)（無自動增強）的階段。

Requirements

Python 3.7或更高版本requirements.txt已安裝依賴項，包括torch>=1.5。要安裝運行：

$ pip install -U -r requirements.txt

教程Tutorials

Train Custom Data
Google Colab Notebook with training,
testing and testing examples
GCP Quickstart
Docker Quickstart Guide

推論Inference

推理可以在大多數(shù)常見的媒體格式上運行。如果可用，則自動下載模型檢查點。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

To run inference on examples in the ./inference/images folder:

$ 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

Reproduce Our Training

運行下面的命令。yolov5s需要幾天的訓練，yolov5x需要幾周的2080tigpu訓練。

$ python train.py --data coco.yaml --cfg yolov5s.yaml --weights ‘’ --batch-size 16

Reproduce Our Environment

要訪問最新的工作環(huán)境（預先安裝了所有依賴項，包括CUDA/CUDNN、Python和PyTorch），請考慮：

GCP Deep
Learning VM with $300 free credit offer: See our GCP
Quickstart Guide
Google Colab Notebook with
12 hours of free GPU time: Google
Colab Notebook
Docker Image from https://hub.docker.com/r/ultralytics/yolov5.
See Docker
Quickstart Guide

總結

以上是生活随笔為你收集整理的YOLOv5目标检测源码重磅发布了！的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。