Tá teicneolaíocht braite réad fís ríomhaire riachtanach le haghaidh feidhmeanna iomadúla. Bainimid úsáid as i róbataic, trealamh faireachais, gluaisteán féin-tiomána, agus go leor réimsí eile. Mar sin, faighimid rudaí áirithe i bpictiúr nó i bhfíseán a aimsiú agus a aithint.
Ceann de na cinn is cáiliúla Is é an YOLO halgartaim aitheantais (Ní Fhéachann Tú Amháin Aon Uair) sraith samhlacha. Cruthaítear na samhlacha seo le Ultralytics LLC.
Is é YOLOv5 an leagan is déanaí den tsraith seo. Agus, is é an tsamhail aitheantais réad is tapúla agus is beaichte ar an margadh. Tá feabhas mór tagtha ar chumas na samhla ginearálú chuig sonraí nua. Chomh maith leis sin, tá go leor gnéithe ann a fhágann go bhfeidhmíonn sé níos fearr ná atrialltaí níos luaithe.
Tá YOLOv5 iontach le haghaidh feidhmchláir fíor-ama mar is féidir leis pictiúir a phróiseáil ag ráta suas le 1000 fráma in aghaidh an tsoicind ar GPU amháin.
San Airteagal seo, tabharfaimid isteach YOLOv5 agus déanfaimid dul thar na sonraí faoina réimsí iarratais.
Turas YOLO: Ó YOLO go YOLOv5
Joseph Redmon et al. ar dtús tugadh isteach an YOLO, sraith de shamhlacha aitheantais réad, i 2016. D'fhéadfadh múnla tosaigh YOLO rudaí a aithint i bhfíor-am. Mar sin féin, bhí cruinneas íseal aige i gcomparáid le samhlacha eile ag an am sin.
Eisíodh roinnt leaganacha uasghrádaithe de YOLO i rith na mblianta. Agus ar deireadh, chruthaigh Ultralytics LLC an t-eagrán is nuaí den tsraith YOLO, YOLOv5.
Is é YOLOv5 an tsamhail aitheantais réad is cruinne agus is gasta atá ar fáil faoi láthair.
Gnéithe Tábhachtacha
Boscaí Ancaire
Déanann YOLOv5 boscaí teorann a thuar le haghaidh rudaí in íomhá ag baint úsáide as boscaí ancaire. Déanann an tsamhail a thuar cé acu de go leor boscaí réamhshainithe le cóimheasa gné éagsúla is fearr a oireann an mhír sa phictiúr ag baint úsáide as boscaí ancaire. Is boscaí réamhshainithe iad seo.
Agus, cuireann siad ar chumas YOLOv5 míreanna i bpictiúr a aithint agus a aimsiú le cruinneas.
Méadú sonraí mósáic
Agus é ag oiliúint, úsáideann YOLOv5 modh ar a dtugtar mósáic méadú sonraí. Chun pictiúir oiliúna úra a fhorbairt, cuireann ár múnla le chéile go randamach paistí de roinnt grianghraf. Mar thoradh air sin, éiríonn an tsamhail níos athléimní agus iontaofa. Mar sin, déantar ginearálú ar shonraí nua agus laghdaítear rófheisteas.
Píblíne Oiliúna Uathúil
Píblíne oiliúna uathúil a mheascann maoirsithe agus foghlaim gan mhaoirsiú úsáidtear.
Mar sin, foghlaimíonn an tsamhail ó shampla níos lú agus úsáideann ionchur neamhlipéadaithe go héifeachtach. Treisíonn sé seo feidhmíocht an mhúnla agus cuireann sé lena cumas ginearálú chuig ionchuir nua.
Sraitheanna atá iarmharach agus neamh-iarmharach
Comhcheanglaíonn ailtireacht YOLOv5 sraitheanna atá iarmharach agus neamh-iarmharach. Trí ligean do ghrádáin sreabhadh trasna na gciseal, cabhraíonn sraitheanna iarmharacha leis an tsamhail gnéithe deacra a fhoghlaim. Chomh maith leis sin, tugann sraitheanna neamh-iarmharacha tuiscint níos cuimsithí ar an bpictiúr ionchuir don mhúnla. Mar thoradh air sin, is féidir le YOLOv5 oibriú níos cruinne agus níos éifeachtaí.
Conas YOLOv5 a Úsáid
suiteáil
Is féidir suiteáil YOLOv5 a chríochnú go tapa ag baint úsáide as pip. Is bainisteoir pacáiste Python é Pip. Is iad seo a leanas na nósanna imeachta ginearálta chun YOLOv5 a shuiteáil:
1- Suiteáil PyTorch: Toisc go bhfuil YOLOv5 bunaithe ar chreat PyTorch, ní mór duit PyTorch a shuiteáil ar dtús.
pip install torch torchvision
2. Suiteáil CUDA: Ní mór duit CUDA a shuiteáil má tá sé ar intinn agat YOLOv5 a reáchtáil ar GPU.
3. Suiteáil YOLOv5: Tar éis PyTorch agus CUDA a bhunú, bain úsáid as an ordú seo a leanas chun YOLOv5 a íoslódáil.
pip install yolov5
4-Tar éis suiteáil YOLOv5, ní mór duit na meáchain réamh-oilte a íoslódáil. Tá na meáchain réamh-oilte ar fáil sa Ultralytics GitHub repo.
Téigh go dtí an chuid “meáchain” den suíomh Gréasáin trí scrollaigh síos. Is féidir leat meáchain réamhoilte a íoslódáil ón liosta atá le fáil anseo.
5. Roghnaigh na meáchain atá oilte cheana féin agus is fearr a oireann do chás úsáide. Féadfar an tacar sonraí nó an leagan ar leith de YOLOv5 a foghlaimíodh na meáchain a úsáid chun an liosta a chaolú.
6- Tar éis duit na meáchain chuí a roghnú, roghnaigh an meáchan trí chliceáil ar an gcnaipe “Íoslódáil” in aice leis. Beidh na meáchain ar fáil le híoslódáil mar. comhaid pt.
7- Aistrigh na meáchain íoslódála chuig an eolaire. Seo an áit a mbeidh do script braite ag feidhmiú.
8- Ag an bpointe seo, is féidir leat braite réad a rith ar do ghrianghraif nó físeáin ag baint úsáide as na meáchain réamh-oilte i do script braite.
Ullmhaigh na Sonraí
Ní mór duit na gníomhartha seo a leanas a dhéanamh chun na sonraí a ullmhú le húsáid le YOLOv5:
1. Bailigh na sonraí: Is é an chéad chéim ná na sonraí pictiúir nó físeáin a bheidh ag teastáil uait a bhailiú braite réad. Ba cheart go mbeadh na rudaí is mian leat a bhrath i láthair sna grianghraif nó sna físeáin.
2- Formáidiú na sonraí: Is féidir leat grianghraif a allmhairiú isteach i do script má tá tú á n-úsáid. Ní mór duit físeán a thiontú ina shraith grianghraf má tá sé ar intinn agat ceann a úsáid. Is féidir leat na frámaí a bhaint as scannán ag baint úsáide as leabharlann mar OpenCV.
import cv2
img = cv2.imread('path/to/image')
Leis an leabharlann OpenCV, is féidir leat an t-ordú seo a leanas a úsáid chun físeán a thiontú ina shraith íomhánna:
import cv2
cap = cv2.VideoCapture('path/to/video')
while True:
ret, frame = cap.read()
if not ret:
break
cv2.imshow('frame', frame)
if cv2.waitKey(1) & 0xFF == ord('q'):
break
cap.release()
cv2.destroyAllWindows()
3. Lipéadaigh na sonraí: Ní mór duit na sonraí a lipéadú má tá do thacair sonraí in úsáid agat. Boscaí teorann a tharraingt timpeall ar na nithe is mian leat a aithint i ngach fráma d’íomhá. Is é an próiseas a bhaineann le lipéadú na sonraí. Is féidir leat roinnt uirlisí a úsáid chun cabhrú leat leis an oibríocht seo, lena n-áirítear LabelImg agus RectLabel.
4- Ní mór duit na sonraí a roinnt ina thacair oiliúna agus tástála tar éis duit iad a chlibeáil. Tá sé seo ríthábhachtach chun measúnú a dhéanamh ar cé chomh maith agus a fheidhmíonn do mhúnla.
5. Ar deireadh, b'fhéidir go mbeadh ort na sonraí a réamhphróiseáil roimh oiliúint nó tástáil. D’fhéadfadh go mbeadh i gceist leis seo na pictiúir nó na físeáin a scálú, na luachanna picteilín a chaighdeánú, nó modhanna a úsáid chun sonraí a mhéadú.
Tar éis na céimeanna seo a chomhlánú, tá do shonraí réidh.
Rith an script bhrath
Seo léaráid de script braite a dhéanann anailís ar phictiúr agus a aimsíonn rudaí.
import yolov5
import cv2
# Pre-trained weights should be loaded.
weights = 'path/to/weights.pt'
# Set the detection confidence level
conf_thres = 0.5
# Set the Non-Maxima Suppression (NMS) threshold
nms_thres = 0.5
# Create the detector object
detector = yolov5.YOLOv5(weights, conf_thres, nms_thres)
# Load the image
img = cv2.imread('path/to/image')
# Perform object detection
detections = detector.detect(img)
# Print the detections
for x1, y1, x2, y2, conf, cls_conf, cls_pred in detections:
print("Object:", classes[int(cls_pred)])
print("Confidence:", conf)
print("Bounding box:", (x1, y1, x2, y2))
Iarphróiseáil
Tá cosc neamh-uasmhéadaithe ar cheann de na teicníochtaí iar-phróiseála is minice a úsáidtear chun réada a bhrath (NMS). Bainimid úsáid as NMS chun boscaí teorann forluiteacha a dhíchur don réad céanna. Chun NMS a fheidhmiú ar na braiteanna, is féidir linn modh cv2.dnn.NMSBoxes() leabharlann OpenCV a úsáid.
Seo sampla de conas braiteanna a iar-phróiseáil ag baint úsáide as NMS.
import cv2
# Perform Non-Maxima Suppression (NMS)
innéacsanna = cv2.dnn.NMSBoxes(braite, rúin, conf_thres, nms_thres)
Amharcléiriú
I gcás léirshamhlaithe, is féidir linn leabharlann cosúil le OpenCV a úsáid arís. Is féidir linn na boscaí teorann timpeall na réad aimsithe a thaispeáint ar an mbunphictiúr nó ar an bhfístéip. Úsáid an modh cv2.rectangle() chun boscaí teorann na híomhá a tharraingt. Seo conas na braiteanna ar an íomhá bunaidh a fheiceáil:
cv2 a allmhairiú
# Draw the bounding boxes on the image
dom in innéacsanna:
i = i[0]
x1, y1, x2, y2 = detections[i][0], detections[i][1], detections[i][2], detections[i][3]
cv2.rectangle(img, (x1, y1), (x2, y2), (255, 0, 0), 2)
cv2.putText(img, classes[class_ids[i]], (x1, y1), cv2.FONT_HERSHEY_SIMPLEX, 1, (255, 255, 255), 2)
# Show the image
cv2.imshow("Object Detection", img)
cv2
Iarratais
Is múnla láidir aitheantais réad é YOLOv5. Mar sin, is féidir linn é a úsáid i go leor cásanna sa saol fíor. Tá ceann de na húsáidí is suntasaí i gcarranna féintiomána. Is féidir le YOLOv5 míreanna a aithint i bhfíor-am ar nós gluaisteán agus soilse tráchta.
I gcórais faireachais, is féidir linn YOLOv5 a úsáid chun rudaí a aithint agus a rianú i sruthanna físe beo. Ina theannta sin, is féidir le YOLOv5 a bheith ina shócmhainn iontach i róbataic. Is féidir leis cabhrú le robots a dtimpeallacht a bhrath agus a thuiscint. Tá sé seo thar a bheith tábhachtach do ghníomhaíochtaí cosúil le loingseoireacht agus ionramháil.
Is féidir YOLOv5 a úsáid freisin in aon tionscal a éilíonn rudaí a bhrath, mar mhiondíol, spóirt, leighis agus slándáil.
Conclúid
Ar deireadh, is é YOLOv5 an leagan is déanaí agus is sofaisticiúla de theaghlach YOLO de braite réad samhlacha
. Chomh maith leis sin, is cóir a rá gurb é an tsamhail aimsithe réad is cruinne atá ar fáil. A bhuíochas dá chruinneas agus luas ard, is féidir leat é a roghnú go sábháilte do do thionscadail braite réad.
Resky Agus
Déanaim an chéad irisleabhar faoi fheithicil braite le yolov5 agus cabhraíonn an gréasán seo liom chun faisnéis a chuardach faoi sin.
Tá an-suim agam faoi AI.
más féidir leat tá an-cheist agam faoi AI b'fhéidir gur féidir leat cabhrú liom
Go raibh maith agat