ಕಂಪ್ಯೂಟರ್ ದೃಷ್ಟಿಯ ವಸ್ತು ಪತ್ತೆ ತಂತ್ರಜ್ಞಾನವು ಹಲವಾರು ಅಪ್ಲಿಕೇಶನ್ಗಳಿಗೆ ಅತ್ಯಗತ್ಯವಾಗಿದೆ. ನಾವು ಇದನ್ನು ರೊಬೊಟಿಕ್ಸ್, ಕಣ್ಗಾವಲು ಉಪಕರಣಗಳು, ಸ್ವಯಂ ಚಾಲನಾ ಆಟೋಮೊಬೈಲ್ಗಳು ಮತ್ತು ಇನ್ನೂ ಹಲವು ಪ್ರದೇಶಗಳಲ್ಲಿ ಬಳಸುತ್ತೇವೆ. ಆದ್ದರಿಂದ, ನಾವು ಚಿತ್ರ ಅಥವಾ ವೀಡಿಯೊದಲ್ಲಿ ಕೆಲವು ವಿಷಯಗಳನ್ನು ಹುಡುಕುತ್ತೇವೆ ಮತ್ತು ಗುರುತಿಸುತ್ತೇವೆ.
ಅತ್ಯಂತ ಪ್ರಸಿದ್ಧವಾದದ್ದು ಆಬ್ಜೆಕ್ಟ್ ಐಡೆಂಟಿಫಿಕೇಶನ್ ಅಲ್ಗಾರಿದಮ್ಸ್ YOLO ಆಗಿದೆ (ನೀವು ಒಮ್ಮೆ ಮಾತ್ರ ನೋಡಿ) ಮಾದರಿಗಳ ಸೆಟ್. ಈ ಮಾದರಿಗಳನ್ನು ರಚಿಸಲಾಗಿದೆ ಅಲ್ಟ್ರಾಲಿಟಿಕ್ಸ್ LLC.
ಈ ಸರಣಿಯ ಇತ್ತೀಚಿನ ಆವೃತ್ತಿಯು YOLOv5 ಆಗಿದೆ. ಮತ್ತು, ಇದು ಮಾರುಕಟ್ಟೆಯಲ್ಲಿ ತ್ವರಿತ ಮತ್ತು ಅತ್ಯಂತ ನಿಖರವಾದ ವಸ್ತು ಗುರುತಿಸುವಿಕೆಯ ಮಾದರಿಯಾಗಿದೆ. ಹೊಸ ಡೇಟಾಗೆ ಸಾಮಾನ್ಯೀಕರಿಸುವ ಮಾದರಿಯ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೆಚ್ಚು ಸುಧಾರಿಸಲಾಗಿದೆ. ಅಲ್ಲದೆ, ಇದು ಹಿಂದಿನ ಪುನರಾವರ್ತನೆಗಳಿಗಿಂತ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುವಂತೆ ಮಾಡುವ ಹಲವು ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಒಳಗೊಂಡಿದೆ.
YOLOv5 ನೈಜ-ಸಮಯದ ಅಪ್ಲಿಕೇಶನ್ಗಳಿಗೆ ಉತ್ತಮವಾಗಿದೆ ಏಕೆಂದರೆ ಇದು ಒಂದೇ GPU ನಲ್ಲಿ ಪ್ರತಿ ಸೆಕೆಂಡಿಗೆ 1000 ಫ್ರೇಮ್ಗಳ ದರದಲ್ಲಿ ಚಿತ್ರಗಳನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಬಹುದು.
ಈ ಲೇಖನದಲ್ಲಿ, ನಾವು YOLOv5 ಅನ್ನು ಪರಿಚಯಿಸುತ್ತೇವೆ ಮತ್ತು ಅದರ ಅನ್ವಯದ ಪ್ರದೇಶಗಳ ವಿವರಗಳನ್ನು ಪರಿಶೀಲಿಸುತ್ತೇವೆ.
YOLO ದ ಪ್ರಯಾಣ: YOLO ನಿಂದ YOLOv5 ಗೆ
ಜೋಸೆಫ್ ರೆಡ್ಮನ್ ಮತ್ತು ಇತರರು. ಮೂಲತಃ 2016 ರಲ್ಲಿ YOLO, ಆಬ್ಜೆಕ್ಟ್ ಐಡೆಂಟಿಫಿಕೇಶನ್ ಮಾಡೆಲ್ಗಳ ಸೆಟ್ ಅನ್ನು ಪರಿಚಯಿಸಿತು. ಆರಂಭಿಕ YOLO ಮಾದರಿಯು ನೈಜ ಸಮಯದಲ್ಲಿ ವಸ್ತುಗಳನ್ನು ಗುರುತಿಸಬಲ್ಲದು. ಆದಾಗ್ಯೂ, ಆ ಸಮಯದಲ್ಲಿ ಇತರ ಮಾದರಿಗಳಿಗೆ ಹೋಲಿಸಿದರೆ ಇದು ಕಡಿಮೆ ನಿಖರತೆಯನ್ನು ಹೊಂದಿತ್ತು.
YOLO ನ ಹಲವಾರು ಅಪ್ಗ್ರೇಡ್ ಆವೃತ್ತಿಗಳು ವರ್ಷಗಳಲ್ಲಿ ಬಿಡುಗಡೆಗೊಂಡವು. ಮತ್ತು ಅಂತಿಮವಾಗಿ, Ultralytics LLC YOLO ಸರಣಿಯ YOLOv5 ನ ಹೊಸ ಆವೃತ್ತಿಯನ್ನು ರಚಿಸಿತು.
YOLOv5 ಪ್ರಸ್ತುತ ಲಭ್ಯವಿರುವ ಅತ್ಯಂತ ನಿಖರವಾದ ಮತ್ತು ತ್ವರಿತವಾದ ವಸ್ತು ಗುರುತಿಸುವಿಕೆಯ ಮಾದರಿಯಾಗಿದೆ.
ಪ್ರಮುಖ ಲಕ್ಷಣಗಳು
ಆಂಕರ್ ಪೆಟ್ಟಿಗೆಗಳು
YOLOv5 ಆಂಕರ್ ಬಾಕ್ಸ್ಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಚಿತ್ರದಲ್ಲಿನ ವಸ್ತುಗಳಿಗೆ ಬೌಂಡಿಂಗ್ ಬಾಕ್ಸ್ಗಳನ್ನು ಊಹಿಸುತ್ತದೆ. ಆಂಕರ್ ಬಾಕ್ಸ್ಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಚಿತ್ರದಲ್ಲಿನ ಐಟಂಗೆ ವಿವಿಧ ಆಕಾರ ಅನುಪಾತಗಳನ್ನು ಹೊಂದಿರುವ ಪೂರ್ವ-ನಿರ್ಧರಿತ ಪೆಟ್ಟಿಗೆಗಳಲ್ಲಿ ಯಾವುದು ಉತ್ತಮವಾಗಿ ಹೊಂದಿಕೆಯಾಗುತ್ತದೆ ಎಂಬುದನ್ನು ಮಾದರಿಯು ಊಹಿಸುತ್ತದೆ. ಇವು ಪೂರ್ವ-ನಿರ್ಧರಿತ ಪೆಟ್ಟಿಗೆಗಳಾಗಿವೆ.
ಮತ್ತು, ಅವರು YOLOv5 ಅನ್ನು ನಿಖರವಾಗಿ ಗುರುತಿಸಲು ಮತ್ತು ಚಿತ್ರದಲ್ಲಿ ಐಟಂಗಳನ್ನು ಹುಡುಕಲು ಸಕ್ರಿಯಗೊಳಿಸುತ್ತಾರೆ.
ಮೊಸಾಯಿಕ್ ಡೇಟಾ ವರ್ಧನೆ
ತರಬೇತಿ ನೀಡುವಾಗ, YOLOv5 ಮೊಸಾಯಿಕ್ ಎಂದು ಕರೆಯಲ್ಪಡುವ ವಿಧಾನವನ್ನು ಬಳಸುತ್ತದೆ ಡೇಟಾ ವರ್ಧನೆ. ತಾಜಾ ತರಬೇತಿ ಚಿತ್ರಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು, ನಮ್ಮ ಮಾದರಿಯು ಯಾದೃಚ್ಛಿಕವಾಗಿ ಹಲವಾರು ಫೋಟೋಗಳ ಪ್ಯಾಚ್ಗಳನ್ನು ಸಂಯೋಜಿಸುತ್ತದೆ. ಪರಿಣಾಮವಾಗಿ, ಮಾದರಿಯು ಹೆಚ್ಚು ಸ್ಥಿತಿಸ್ಥಾಪಕ ಮತ್ತು ವಿಶ್ವಾಸಾರ್ಹವಾಗುತ್ತದೆ. ಆದ್ದರಿಂದ, ಇದು ಹೊಸ ಡೇಟಾವನ್ನು ಸಾಮಾನ್ಯೀಕರಿಸಲು ಮತ್ತು ಮಿತಿಮೀರಿದ ಕಡಿಮೆಗೊಳಿಸುವಿಕೆಯನ್ನು ಪಡೆಯುತ್ತದೆ.
ಒಂದು ವಿಶಿಷ್ಟ ತರಬೇತಿ ಪೈಪ್ಲೈನ್
ಮೇಲ್ವಿಚಾರಣೆ ಮತ್ತು ಮಿಶ್ರಣ ಮಾಡುವ ವಿಶಿಷ್ಟ ತರಬೇತಿ ಪೈಪ್ಲೈನ್ ಮೇಲ್ವಿಚಾರಣೆಯಿಲ್ಲದ ಕಲಿಕೆ ಬಳಸಲಾಗುತ್ತದೆ.
ಹೀಗಾಗಿ, ಮಾದರಿಯು ಚಿಕ್ಕ ಮಾದರಿಯಿಂದ ಕಲಿಯುತ್ತದೆ ಮತ್ತು ಲೇಬಲ್ ಮಾಡದ ಇನ್ಪುಟ್ ಅನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಬಳಸಿಕೊಳ್ಳುತ್ತದೆ. ಇದು ಮಾದರಿಯ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ ಮತ್ತು ಹೊಸ ಇನ್ಪುಟ್ಗಳಿಗೆ ಸಾಮಾನ್ಯೀಕರಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ.
ಉಳಿದಿರುವ ಮತ್ತು ಉಳಿದಿಲ್ಲದ ಪದರಗಳು
YOLOv5 ರ ವಾಸ್ತುಶಿಲ್ಪವು ಉಳಿದಿರುವ ಮತ್ತು ಉಳಿದಿಲ್ಲದ ಪದರಗಳನ್ನು ಸಂಯೋಜಿಸುತ್ತದೆ. ಇಳಿಜಾರುಗಳನ್ನು ಪದರಗಳಾದ್ಯಂತ ಹರಿಯುವಂತೆ ಮಾಡುವ ಮೂಲಕ, ಉಳಿದ ಪದರಗಳು ಕಷ್ಟಕರವಾದ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಕಲಿಯಲು ಮಾದರಿಗೆ ಸಹಾಯ ಮಾಡುತ್ತವೆ. ಅಲ್ಲದೆ, ಉಳಿದಿಲ್ಲದ ಪದರಗಳು ಇನ್ಪುಟ್ ಚಿತ್ರದ ಹೆಚ್ಚು ಸಮಗ್ರವಾದ ಗ್ರಹಿಕೆಯೊಂದಿಗೆ ಮಾದರಿಯನ್ನು ಒದಗಿಸುತ್ತವೆ. ಪರಿಣಾಮವಾಗಿ, YOLOv5 ಹೆಚ್ಚು ನಿಖರವಾಗಿ ಮತ್ತು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ.
YOLOv5 ಅನ್ನು ಹೇಗೆ ಬಳಸುವುದು
ಅನುಸ್ಥಾಪನ
YOLOv5 ಅನುಸ್ಥಾಪನೆಯನ್ನು ಪಿಪ್ ಬಳಸಿ ತ್ವರಿತವಾಗಿ ಪೂರ್ಣಗೊಳಿಸಬಹುದು. ಪಿಪ್ ಪೈಥಾನ್ ಪ್ಯಾಕೇಜ್ ಮ್ಯಾನೇಜರ್ ಆಗಿದೆ. YOLOv5 ಅನ್ನು ಸ್ಥಾಪಿಸುವ ಸಾಮಾನ್ಯ ಕಾರ್ಯವಿಧಾನಗಳು ಈ ಕೆಳಗಿನಂತಿವೆ:
1- PyTorch ಅನ್ನು ಸ್ಥಾಪಿಸಿ: YOLOv5 PyTorch ಫ್ರೇಮ್ವರ್ಕ್ ಅನ್ನು ಆಧರಿಸಿದೆ, ನೀವು ಮೊದಲು PyTorch ಅನ್ನು ಸ್ಥಾಪಿಸಬೇಕು.
pip install torch torchvision
2. CUDA ಸ್ಥಾಪಿಸಿ: ನೀವು GPU ನಲ್ಲಿ YOLOv5 ಅನ್ನು ರನ್ ಮಾಡಲು ಬಯಸಿದರೆ ನೀವು CUDA ಅನ್ನು ಸ್ಥಾಪಿಸಬೇಕು.
3. YOLOv5 ಅನ್ನು ಸ್ಥಾಪಿಸಿ: PyTorch ಮತ್ತು CUDA ಅನ್ನು ಹೊಂದಿಸಿದ ನಂತರ, YOLOv5 ಅನ್ನು ಡೌನ್ಲೋಡ್ ಮಾಡಲು ಕೆಳಗಿನ ಆಜ್ಞೆಯನ್ನು ಬಳಸಿ.
pip install yolov5
4-YOLOv5 ಸ್ಥಾಪನೆಯನ್ನು ಅನುಸರಿಸಿ, ನೀವು ಪೂರ್ವ-ತರಬೇತಿ ಪಡೆದ ತೂಕವನ್ನು ಡೌನ್ಲೋಡ್ ಮಾಡಬೇಕು. ಪೂರ್ವ-ತರಬೇತಿ ಪಡೆದ ತೂಕಗಳು ಅಲ್ಟ್ರಾಲಿಟಿಕ್ಸ್ ಗಿಟ್ಹಬ್ ರೆಪೋದಲ್ಲಿ ಲಭ್ಯವಿದೆ.
ಕೆಳಗೆ ಸ್ಕ್ರೋಲ್ ಮಾಡುವ ಮೂಲಕ ವೆಬ್ಸೈಟ್ನ "ತೂಕಗಳು" ಭಾಗಕ್ಕೆ ಹೋಗಿ. ನೀವು ಇಲ್ಲಿ ಕಾಣುವ ಪಟ್ಟಿಯಿಂದ ಪೂರ್ವ-ತರಬೇತಿ ಪಡೆದ ತೂಕಗಳನ್ನು ಡೌನ್ಲೋಡ್ ಮಾಡಬಹುದು.
5. ಈಗಾಗಲೇ ತರಬೇತಿ ಪಡೆದಿರುವ ತೂಕವನ್ನು ಆಯ್ಕೆಮಾಡಿ ಮತ್ತು ನಿಮ್ಮ ಬಳಕೆಯ ಸಂದರ್ಭಕ್ಕೆ ಉತ್ತಮವಾಗಿ ಹೊಂದಿಕೊಳ್ಳುತ್ತದೆ. ಡೇಟಾಸೆಟ್ ಅಥವಾ ತೂಕವನ್ನು ಕಲಿತ ನಿರ್ದಿಷ್ಟ YOLOv5 ಆವೃತ್ತಿಯನ್ನು ಪಟ್ಟಿಯನ್ನು ಸಂಕುಚಿತಗೊಳಿಸಲು ಬಳಸಬಹುದು.
6- ಸರಿಯಾದ ತೂಕವನ್ನು ಆರಿಸಿದ ನಂತರ, ಅದರ ಪಕ್ಕದಲ್ಲಿರುವ "ಡೌನ್ಲೋಡ್" ಬಟನ್ ಅನ್ನು ಕ್ಲಿಕ್ ಮಾಡುವ ಮೂಲಕ ತೂಕವನ್ನು ಆರಿಸಿ. ತೂಕಗಳು ಡೌನ್ಲೋಡ್ ಮಾಡಲು ಲಭ್ಯವಿರುತ್ತವೆ. pt ಫೈಲ್ಗಳು.
7- ಡೌನ್ಲೋಡ್ ಮಾಡಿದ ತೂಕವನ್ನು ಡೈರೆಕ್ಟರಿಗೆ ವರ್ಗಾಯಿಸಿ. ಇಲ್ಲಿ ನಿಮ್ಮ ಪತ್ತೆ ಸ್ಕ್ರಿಪ್ಟ್ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ.
8- ಈ ಹಂತದಲ್ಲಿ, ನಿಮ್ಮ ಪತ್ತೆ ಸ್ಕ್ರಿಪ್ಟ್ನಲ್ಲಿ ಪೂರ್ವ-ತರಬೇತಿ ಪಡೆದ ತೂಕವನ್ನು ಬಳಸಿಕೊಂಡು ನಿಮ್ಮ ಫೋಟೋಗಳು ಅಥವಾ ವೀಡಿಯೊಗಳಲ್ಲಿ ಆಬ್ಜೆಕ್ಟ್ ಡಿಟೆಕ್ಷನ್ ಅನ್ನು ನೀವು ರನ್ ಮಾಡಬಹುದು.
ಡೇಟಾವನ್ನು ತಯಾರಿಸಿ
YOLOv5 ನೊಂದಿಗೆ ಬಳಕೆಗೆ ಡೇಟಾವನ್ನು ಸಿದ್ಧಗೊಳಿಸಲು ನೀವು ಈ ಕೆಳಗಿನ ಕ್ರಮಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಬೇಕು:
1. ಡೇಟಾವನ್ನು ಒಟ್ಟುಗೂಡಿಸಿ: ನಿಮಗೆ ಅಗತ್ಯವಿರುವ ಚಿತ್ರ ಅಥವಾ ವೀಡಿಯೊ ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸುವುದು ಮೊದಲ ಹಂತವಾಗಿದೆ ವಸ್ತು ಪತ್ತೆ. ನೀವು ಪತ್ತೆಹಚ್ಚಲು ಬಯಸುವ ವಿಷಯಗಳು ಫೋಟೋಗಳು ಅಥವಾ ವೀಡಿಯೊಗಳಲ್ಲಿ ಇರಬೇಕು.
2- ಡೇಟಾವನ್ನು ಫಾರ್ಮ್ಯಾಟ್ ಮಾಡಿ: ನೀವು ಅವುಗಳನ್ನು ಬಳಸುತ್ತಿದ್ದರೆ ನಿಮ್ಮ ಸ್ಕ್ರಿಪ್ಟ್ಗೆ ಫೋಟೋಗಳನ್ನು ಆಮದು ಮಾಡಿಕೊಳ್ಳಬಹುದು. ನೀವು ಒಂದನ್ನು ಬಳಸಲು ಯೋಜಿಸಿದರೆ ನೀವು ವೀಡಿಯೊವನ್ನು ಫೋಟೋಗಳ ಸರಣಿಯನ್ನಾಗಿ ಮಾಡಬೇಕು. OpenCV ನಂತಹ ಲೈಬ್ರರಿಯನ್ನು ಬಳಸಿಕೊಂಡು ನೀವು ಚಲನಚಿತ್ರದಿಂದ ಫ್ರೇಮ್ಗಳನ್ನು ಹೊರತೆಗೆಯಬಹುದು.
import cv2
img = cv2.imread('path/to/image')
OpenCV ಲೈಬ್ರರಿಯೊಂದಿಗೆ, ವೀಡಿಯೊವನ್ನು ಚಿತ್ರಗಳ ಸರಣಿಯನ್ನಾಗಿ ಮಾಡಲು ನೀವು ಈ ಕೆಳಗಿನ ಆಜ್ಞೆಯನ್ನು ಬಳಸಬಹುದು:
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. ಡೇಟಾವನ್ನು ಲೇಬಲ್ ಮಾಡಿ: ನಿಮ್ಮ ಡೇಟಾಸೆಟ್ ಅನ್ನು ನೀವು ಬಳಸುತ್ತಿದ್ದರೆ ನೀವು ಡೇಟಾವನ್ನು ಲೇಬಲ್ ಮಾಡಬೇಕು. ಚಿತ್ರದ ಪ್ರತಿ ಫ್ರೇಮ್ನಲ್ಲಿ ನೀವು ಗುರುತಿಸಲು ಬಯಸುವ ಐಟಂಗಳ ಸುತ್ತಲೂ ಬೌಂಡಿಂಗ್ ಬಾಕ್ಸ್ಗಳನ್ನು ಚಿತ್ರಿಸುವುದು. ಇದು ಡೇಟಾವನ್ನು ಲೇಬಲ್ ಮಾಡುವ ಪ್ರಕ್ರಿಯೆಯಾಗಿದೆ. LabelImg ಮತ್ತು RectLabel ಸೇರಿದಂತೆ ಈ ಕಾರ್ಯಾಚರಣೆಯಲ್ಲಿ ನಿಮಗೆ ಸಹಾಯ ಮಾಡಲು ನೀವು ಹಲವಾರು ಸಾಧನಗಳನ್ನು ಬಳಸಬಹುದು.
4- ನೀವು ಟ್ಯಾಗ್ ಮಾಡಿದ ನಂತರ ನೀವು ಡೇಟಾವನ್ನು ತರಬೇತಿ ಮತ್ತು ಪರೀಕ್ಷಾ ಸೆಟ್ಗಳಾಗಿ ವಿಂಗಡಿಸಬೇಕು. ನಿಮ್ಮ ಮಾದರಿಯು ಎಷ್ಟು ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ನಿರ್ಣಯಿಸಲು ಇದು ನಿರ್ಣಾಯಕವಾಗಿದೆ.
5. ಅಂತಿಮವಾಗಿ, ತರಬೇತಿ ಅಥವಾ ಪರೀಕ್ಷೆಯ ಮೊದಲು ನೀವು ಡೇಟಾವನ್ನು ಪೂರ್ವಪ್ರಕ್ರಿಯೆ ಮಾಡಬೇಕಾಗಬಹುದು. ಇದು ಚಿತ್ರಗಳು ಅಥವಾ ವೀಡಿಯೊಗಳನ್ನು ಸ್ಕೇಲಿಂಗ್ ಮಾಡುವುದು, ಪಿಕ್ಸೆಲ್ ಮೌಲ್ಯಗಳನ್ನು ಪ್ರಮಾಣೀಕರಿಸುವುದು ಅಥವಾ ಡೇಟಾ ವರ್ಧನೆಗಾಗಿ ವಿಧಾನಗಳನ್ನು ಬಳಸುವುದು.
ಈ ಹಂತಗಳನ್ನು ಪೂರ್ಣಗೊಳಿಸಿದ ನಂತರ, ನಿಮ್ಮ ಡೇಟಾ ಸಿದ್ಧವಾಗಿದೆ.
ಪತ್ತೆ ಸ್ಕ್ರಿಪ್ಟ್ ಅನ್ನು ರನ್ ಮಾಡಿ
ಚಿತ್ರವನ್ನು ವಿಶ್ಲೇಷಿಸುವ ಮತ್ತು ವಸ್ತುಗಳನ್ನು ಹುಡುಕುವ ಪತ್ತೆ ಸ್ಕ್ರಿಪ್ಟ್ನ ವಿವರಣೆ ಇಲ್ಲಿದೆ.
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))
ಸಂಸ್ಕರಣೆಯ ನಂತರ
ಆಬ್ಜೆಕ್ಟ್ ಡಿಟೆಕ್ಷನ್ (NMS) ನಲ್ಲಿ ಬಳಸಲಾಗುವ ಅತ್ಯಂತ ಆಗಾಗ್ಗೆ ಪೋಸ್ಟ್-ಪ್ರೊಸೆಸಿಂಗ್ ತಂತ್ರಗಳಲ್ಲಿ ಗರಿಷ್ಠವಲ್ಲದ ನಿಗ್ರಹವು ಒಂದು. ಒಂದೇ ವಸ್ತುವಿಗಾಗಿ ಅತಿಕ್ರಮಿಸುವ ಬೌಂಡಿಂಗ್ ಬಾಕ್ಸ್ಗಳನ್ನು ತೆಗೆದುಹಾಕಲು ನಾವು NMS ಅನ್ನು ಬಳಸುತ್ತೇವೆ. ಪತ್ತೆಹಚ್ಚುವಿಕೆಗಳಲ್ಲಿ NMS ಅನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸಲು, ನಾವು OpenCV ಲೈಬ್ರರಿಯ cv2.dnn.NMSBoxes() ವಿಧಾನವನ್ನು ಬಳಸಬಹುದು.
NMS ಬಳಸಿಕೊಂಡು ಪತ್ತೆಗಳನ್ನು ಪೋಸ್ಟ್-ಪ್ರಕ್ರಿಯೆ ಮಾಡುವುದು ಹೇಗೆ ಎಂಬುದರ ಉದಾಹರಣೆ ಇಲ್ಲಿದೆ.
import cv2
# Perform Non-Maxima Suppression (NMS)
ಸೂಚ್ಯಂಕಗಳು = cv2.dnn.NMSBoxes (ಪತ್ತೆಹಚ್ಚುವಿಕೆಗಳು, ವಿಶ್ವಾಸಗಳು, conf_thres, nms_thres)
ದೃಶ್ಯೀಕರಣ
ದೃಶ್ಯೀಕರಣದ ಸಂದರ್ಭದಲ್ಲಿ, ನಾವು ಮತ್ತೆ OpenCV ನಂತಹ ಲೈಬ್ರರಿಯನ್ನು ಬಳಸಬಹುದು. ನಾವು ಪತ್ತೆಯಾದ ವಸ್ತುಗಳ ಸುತ್ತ ಬೌಂಡಿಂಗ್ ಬಾಕ್ಸ್ಗಳನ್ನು ಮೂಲ ಚಿತ್ರ ಅಥವಾ ವೀಡಿಯೊದಲ್ಲಿ ಪ್ರದರ್ಶಿಸಬಹುದು. ಚಿತ್ರದ ಬೌಂಡಿಂಗ್ ಬಾಕ್ಸ್ಗಳನ್ನು ಸೆಳೆಯಲು, cv2.rectangle() ವಿಧಾನವನ್ನು ಬಳಸಿ. ಮೂಲ ಚಿತ್ರದಲ್ಲಿನ ಪತ್ತೆಗಳನ್ನು ಹೇಗೆ ವೀಕ್ಷಿಸುವುದು ಎಂಬುದು ಇಲ್ಲಿದೆ:
cv2 ಆಮದು ಮಾಡಿ
# Draw the bounding boxes on the image
ನಾನು ಸೂಚ್ಯಂಕಗಳಲ್ಲಿ:
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
ಅಪ್ಲಿಕೇಶನ್ಗಳು
YOLOv5 ಒಂದು ಬಲವಾದ ವಸ್ತು ಗುರುತಿಸುವಿಕೆಯ ಮಾದರಿಯಾಗಿದೆ. ಆದ್ದರಿಂದ, ನಾವು ಅನೇಕ ನೈಜ-ಪ್ರಪಂಚದ ಸನ್ನಿವೇಶಗಳಲ್ಲಿ ಇದನ್ನು ಬಳಸಿಕೊಳ್ಳಬಹುದು. ಸ್ವಯಂ ಚಾಲನಾ ಕಾರುಗಳಲ್ಲಿ ಅತ್ಯಂತ ಪ್ರಮುಖವಾದ ಬಳಕೆಯಾಗಿದೆ. YOLOv5 ಆಟೋಮೊಬೈಲ್ಗಳು ಮತ್ತು ಟ್ರಾಫಿಕ್ ಲೈಟ್ಗಳಂತಹ ನೈಜ ಸಮಯದಲ್ಲಿ ವಸ್ತುಗಳನ್ನು ಗುರುತಿಸಬಹುದು.
ಕಣ್ಗಾವಲು ವ್ಯವಸ್ಥೆಗಳಲ್ಲಿ, ಲೈವ್ ವೀಡಿಯೊ ಸ್ಟ್ರೀಮ್ಗಳಲ್ಲಿ ವಸ್ತುಗಳನ್ನು ಗುರುತಿಸಲು ಮತ್ತು ಟ್ರ್ಯಾಕ್ ಮಾಡಲು ನಾವು YOLOv5 ಅನ್ನು ಬಳಸಬಹುದು. ಇದಲ್ಲದೆ, YOLOv5 ರೊಬೊಟಿಕ್ಸ್ನಲ್ಲಿ ಉತ್ತಮ ಆಸ್ತಿಯಾಗಿದೆ. ಇದು ರೋಬೋಟ್ಗಳು ತಮ್ಮ ಸುತ್ತಮುತ್ತಲಿನ ಪ್ರದೇಶಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಲು ಮತ್ತು ಗ್ರಹಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ. ನ್ಯಾವಿಗೇಷನ್ ಮತ್ತು ಕುಶಲತೆಯಂತಹ ಚಟುವಟಿಕೆಗಳಿಗೆ ಇದು ಅತ್ಯಂತ ಮುಖ್ಯವಾಗಿದೆ.
YOLOv5 ಅನ್ನು ಚಿಲ್ಲರೆ ವ್ಯಾಪಾರ, ಕ್ರೀಡೆ, ವೈದ್ಯಕೀಯ ಮತ್ತು ಭದ್ರತೆಯಂತಹ ವಸ್ತು ಪತ್ತೆಗೆ ಅಗತ್ಯವಿರುವ ಯಾವುದೇ ಉದ್ಯಮದಲ್ಲಿಯೂ ಸಹ ಬಳಸಿಕೊಳ್ಳಬಹುದು.
ತೀರ್ಮಾನ
ಅಂತಿಮವಾಗಿ, YOLOv5 YOLO ಕುಟುಂಬದ ಅತ್ಯಂತ ಇತ್ತೀಚಿನ ಮತ್ತು ಅತ್ಯಾಧುನಿಕ ಆವೃತ್ತಿಯಾಗಿದೆ ವಸ್ತು ಪತ್ತೆ ಮಾದರಿಗಳು
. ಅಲ್ಲದೆ, ಇದು ಲಭ್ಯವಿರುವ ಅತ್ಯಂತ ನಿಖರವಾದ ವಸ್ತು ಪತ್ತೆ ಮಾದರಿ ಎಂದು ಹೇಳುವುದು ನ್ಯಾಯೋಚಿತವಾಗಿದೆ. ಅದರ ಹೆಚ್ಚಿನ ನಿಖರತೆ ಮತ್ತು ವೇಗಕ್ಕೆ ಧನ್ಯವಾದಗಳು, ನಿಮ್ಮ ವಸ್ತು ಪತ್ತೆ ಯೋಜನೆಗಳಿಗಾಗಿ ನೀವು ಅದನ್ನು ಸುರಕ್ಷಿತವಾಗಿ ಆಯ್ಕೆ ಮಾಡಬಹುದು.
ರೆಸ್ಕಿ ಆಗಸ್
ನಾನು yolov5 ನೊಂದಿಗೆ ಪತ್ತೆ ವಾಹನದ ಕುರಿತು ಮೊದಲ ಜರ್ನಲ್ ಅನ್ನು ಮಾಡುತ್ತೇನೆ ಮತ್ತು ಅದರ ಬಗ್ಗೆ ಮಾಹಿತಿಯನ್ನು ಹುಡುಕಲು ಈ ವೆಬ್ ನನಗೆ ಸಹಾಯ ಮಾಡುತ್ತದೆ.
ನಾನು AI ಬಗ್ಗೆ ತುಂಬಾ ಆಸಕ್ತಿ ಹೊಂದಿದ್ದೇನೆ.
ನೀವು AI ಬಗ್ಗೆ ಸಾಕಷ್ಟು ಪ್ರಶ್ನೆಗಳನ್ನು ಹೊಂದಿದ್ದರೆ ಬಹುಶಃ ನೀವು ನನಗೆ ಸಹಾಯ ಮಾಡಬಹುದು
ಧನ್ಯವಾದ