കമ്പ്യൂട്ടർ വിഷൻ ഒബ്ജക്റ്റ് ഡിറ്റക്ഷൻ ടെക്നോളജി നിരവധി ആപ്ലിക്കേഷനുകൾക്ക് അത്യന്താപേക്ഷിതമാണ്. റോബോട്ടിക്സ്, നിരീക്ഷണ ഉപകരണങ്ങൾ, സെൽഫ് ഡ്രൈവിംഗ് ഓട്ടോമൊബൈലുകൾ, കൂടാതെ മറ്റു പല മേഖലകളിലും ഞങ്ങൾ ഇത് ഉപയോഗിക്കുന്നു. അതിനാൽ, ഒരു ചിത്രത്തിലോ വീഡിയോയിലോ നമുക്ക് ചില കാര്യങ്ങൾ കണ്ടെത്താനും തിരിച്ചറിയാനും കഴിയും.
ഏറ്റവും അറിയപ്പെടുന്ന ഒന്ന് ഒബ്ജക്റ്റ് ഐഡന്റിഫിക്കേഷൻ അൽഗോരിതങ്ങൾ YOLO ആണ് (നിങ്ങൾ ഒരിക്കൽ മാത്രം നോക്കൂ) മോഡലുകളുടെ കൂട്ടം. ഈ മോഡലുകൾ സൃഷ്ടിച്ചത് Ultralytics LLC.
ഈ പരമ്പരയുടെ ഏറ്റവും പുതിയ പതിപ്പ് YOLOv5 ആണ്. കൂടാതെ, വിപണിയിലെ ഏറ്റവും വേഗമേറിയതും കൃത്യവുമായ ഒബ്ജക്റ്റ് ഐഡന്റിഫിക്കേഷൻ മോഡലാണിത്. പുതിയ ഡാറ്റയിലേക്ക് സാമാന്യവൽക്കരിക്കാനുള്ള മോഡലിന്റെ ശേഷി വളരെയധികം മെച്ചപ്പെടുത്തിയിട്ടുണ്ട്. കൂടാതെ, മുമ്പത്തെ ആവർത്തനങ്ങളേക്കാൾ മികച്ച പ്രകടനം കാഴ്ചവെക്കുന്ന നിരവധി സവിശേഷതകൾ ഇതിൽ അടങ്ങിയിരിക്കുന്നു.
ഒരൊറ്റ ജിപിയുവിൽ സെക്കൻഡിൽ 5 ഫ്രെയിമുകൾ വരെ ചിത്രങ്ങൾ പ്രോസസ്സ് ചെയ്യാൻ കഴിയുന്നതിനാൽ തത്സമയ ആപ്ലിക്കേഷനുകൾക്ക് YOLOv1000 മികച്ചതാണ്.
ഈ ലേഖനത്തിൽ, ഞങ്ങൾ YOLOv5 അവതരിപ്പിക്കുകയും അതിന്റെ പ്രയോഗ മേഖലകളുടെ വിശദാംശങ്ങളിലേക്ക് പോകുകയും ചെയ്യും.
യോലോയുടെ യാത്ര: യോലോയിൽ നിന്ന് യോലോവിലേക്കുള്ള5
ജോസഫ് റെഡ്മോൻ തുടങ്ങിയവർ. ഒബ്ജക്റ്റ് ഐഡന്റിഫിക്കേഷൻ മോഡലുകളുടെ ഒരു കൂട്ടം YOLO യഥാർത്ഥത്തിൽ 2016-ൽ അവതരിപ്പിച്ചു. പ്രാരംഭ YOLO മോഡലിന് തത്സമയം വസ്തുക്കളെ തിരിച്ചറിയാൻ കഴിയും. എന്നിരുന്നാലും, അക്കാലത്തെ മറ്റ് മോഡലുകളുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ ഇതിന് കൃത്യത കുറവായിരുന്നു.
YOLO യുടെ നിരവധി നവീകരിച്ച പതിപ്പുകൾ വർഷങ്ങളിലുടനീളം പുറത്തിറങ്ങി. ഒടുവിൽ, Ultralytics LLC YOLO സീരീസിന്റെ ഏറ്റവും പുതിയ പതിപ്പായ YOLOv5 സൃഷ്ടിച്ചു.
നിലവിൽ ലഭ്യമായ ഏറ്റവും കൃത്യവും വേഗമേറിയതുമായ ഒബ്ജക്റ്റ് ഐഡന്റിഫിക്കേഷൻ മോഡലാണ് YOLOv5.
പ്രധാന സവിശേഷതകൾ
ആങ്കർ ബോക്സുകൾ
YOLOv5 ആങ്കർ ബോക്സുകൾ ഉപയോഗിച്ച് ഒരു ചിത്രത്തിലെ ഒബ്ജക്റ്റുകൾക്കായി ബൗണ്ടിംഗ് ബോക്സുകൾ പ്രവചിക്കുന്നു. ആങ്കർ ബോക്സുകൾ ഉപയോഗിച്ച് ചിത്രത്തിലെ ഇനവുമായി പൊരുത്തപ്പെടുന്ന വിവിധ വീക്ഷണാനുപാതങ്ങളുള്ള മുൻകൂട്ടി നിശ്ചയിച്ചിട്ടുള്ള നിരവധി ബോക്സുകളിൽ ഏതാണ് മോഡൽ പ്രവചിക്കുന്നത്. ഇവ മുൻകൂട്ടി നിശ്ചയിച്ച ബോക്സുകളാണ്.
കൂടാതെ, ഒരു ചിത്രത്തിലെ ഇനങ്ങൾ കൃത്യതയോടെ തിരിച്ചറിയാനും കണ്ടെത്താനും അവ YOLOv5-നെ പ്രാപ്തമാക്കുന്നു.
മൊസൈക് ഡാറ്റ വർദ്ധിപ്പിക്കൽ
പരിശീലനം നടത്തുമ്പോൾ, YOLOv5 മൊസൈക്ക് എന്നറിയപ്പെടുന്ന ഒരു രീതി ഉപയോഗിക്കുന്നു ഡാറ്റ വർദ്ധനവ്. പുതിയ പരിശീലന ചിത്രങ്ങൾ വികസിപ്പിക്കുന്നതിന്, ഞങ്ങളുടെ മോഡൽ ക്രമരഹിതമായി നിരവധി ഫോട്ടോകളുടെ പാച്ചുകൾ സംയോജിപ്പിക്കുന്നു. തൽഫലമായി, മോഡൽ കൂടുതൽ പ്രതിരോധശേഷിയുള്ളതും വിശ്വസനീയവുമാകും. അതിനാൽ, ഇത് പുതിയ ഡാറ്റയിലേക്ക് സാമാന്യവൽക്കരിക്കുകയും ഓവർഫിറ്റിംഗ് കുറയ്ക്കുകയും ചെയ്യുന്നു.
ഒരു അദ്വിതീയ പരിശീലന പൈപ്പ്ലൈൻ
സൂപ്പർവൈസുചെയ്തതും സംയോജിപ്പിക്കുന്നതുമായ ഒരു അദ്വിതീയ പരിശീലന പൈപ്പ്ലൈൻ മേൽനോട്ടമില്ലാത്ത പഠനം ഉപയോഗിക്കുന്നു.
അങ്ങനെ, മോഡൽ ഒരു ചെറിയ സാമ്പിളിൽ നിന്ന് പഠിക്കുകയും ലേബൽ ചെയ്യാത്ത ഇൻപുട്ട് ഫലപ്രദമായി ഉപയോഗിക്കുകയും ചെയ്യുന്നു. ഇത് മോഡലിന്റെ പ്രകടനം വർദ്ധിപ്പിക്കുകയും പുതിയ ഇൻപുട്ടുകളിലേക്ക് സാമാന്യവൽക്കരിക്കാനുള്ള ശേഷി വർദ്ധിപ്പിക്കുകയും ചെയ്യുന്നു.
അവശേഷിക്കുന്നതും അല്ലാത്തതുമായ പാളികൾ
YOLOv5 ന്റെ ആർക്കിടെക്ചർ, ശേഷിക്കുന്നതും അല്ലാത്തതുമായ പാളികൾ സംയോജിപ്പിക്കുന്നു. ലെയറുകളിലുടനീളം ഗ്രേഡിയന്റുകൾ ഒഴുകാൻ അനുവദിക്കുന്നതിലൂടെ, ശേഷിക്കുന്ന പാളികൾ ബുദ്ധിമുട്ടുള്ള സവിശേഷതകൾ പഠിക്കാൻ മോഡലിനെ സഹായിക്കുന്നു. കൂടാതെ, അവശിഷ്ടമല്ലാത്ത ലെയറുകൾ ഇൻപുട്ട് ചിത്രത്തിന്റെ കൂടുതൽ സമഗ്രമായ ഗ്രാപ് മോഡലിന് നൽകുന്നു. തൽഫലമായി, YOLOv5 ന് കൂടുതൽ കൃത്യമായും ഫലപ്രദമായും പ്രവർത്തിക്കാൻ കഴിയും.
YOLov5 എങ്ങനെ ഉപയോഗിക്കാം
ഇൻസ്റ്റലേഷൻ
YOLOv5 ഇൻസ്റ്റാളേഷൻ പൈപ്പ് ഉപയോഗിച്ച് വേഗത്തിൽ പൂർത്തിയാക്കിയേക്കാം. പിപ്പ് ഒരു പൈത്തൺ പാക്കേജ് മാനേജരാണ്. YOLOv5 ഇൻസ്റ്റാൾ ചെയ്യുന്നതിനുള്ള പൊതു നടപടിക്രമങ്ങൾ ഇപ്രകാരമാണ്:
1- PyTorch ഇൻസ്റ്റാൾ ചെയ്യുക: YOLOv5 PyTorch ചട്ടക്കൂടിനെ അടിസ്ഥാനമാക്കിയുള്ളതിനാൽ, നിങ്ങൾ ആദ്യം PyTorch ഇൻസ്റ്റാൾ ചെയ്യണം.
pip install torch torchvision
2. CUDA ഇൻസ്റ്റാൾ ചെയ്യുക: ഒരു GPU-യിൽ YOLOv5 പ്രവർത്തിപ്പിക്കാൻ നിങ്ങൾ ആഗ്രഹിക്കുന്നുവെങ്കിൽ നിങ്ങൾ CUDA ഇൻസ്റ്റാൾ ചെയ്യണം.
3. YOLOv5 ഇൻസ്റ്റാൾ ചെയ്യുക: PyTorch, CUDA എന്നിവ സജ്ജീകരിച്ച ശേഷം, YOLOv5 ഡൗൺലോഡ് ചെയ്യാൻ ഇനിപ്പറയുന്ന കമാൻഡ് ഉപയോഗിക്കുക.
pip install yolov5
4-YOLOv5-ന്റെ ഇൻസ്റ്റാളേഷനുശേഷം, നിങ്ങൾ മുൻകൂട്ടി പരിശീലിപ്പിച്ച തൂക്കങ്ങൾ ഡൗൺലോഡ് ചെയ്യണം. അൾട്രാലിറ്റിക്സ് GitHub റിപ്പോയിൽ മുൻകൂട്ടി പരിശീലിപ്പിച്ച തൂക്കങ്ങൾ ലഭ്യമാണ്.
താഴേക്ക് സ്ക്രോൾ ചെയ്തുകൊണ്ട് വെബ്സൈറ്റിന്റെ "ഭാരം" എന്ന ഭാഗത്തേക്ക് പോകുക. നിങ്ങൾക്ക് ഇവിടെ കണ്ടെത്താനാകുന്ന ലിസ്റ്റിൽ നിന്ന് മുൻകൂട്ടി പരിശീലിപ്പിച്ച തൂക്കങ്ങൾ ഡൗൺലോഡ് ചെയ്യാം.
5. ഇതിനകം പരിശീലിപ്പിച്ചതും നിങ്ങളുടെ ഉപയോഗത്തിന് ഏറ്റവും അനുയോജ്യമായതുമായ തൂക്കങ്ങൾ തിരഞ്ഞെടുക്കുക. ഡാറ്റാസെറ്റ് അല്ലെങ്കിൽ വെയ്റ്റുകൾ പഠിച്ച പ്രത്യേക YOLOv5 പതിപ്പ് ലിസ്റ്റ് ചുരുക്കാൻ ഉപയോഗിച്ചേക്കാം.
6- ശരിയായ തൂക്കങ്ങൾ തിരഞ്ഞെടുത്ത ശേഷം, അതിനടുത്തുള്ള "ഡൗൺലോഡ്" ബട്ടൺ ക്ലിക്ക് ചെയ്ത് ഭാരം തിരഞ്ഞെടുക്കുക. ഡൗൺലോഡ് ആയി തൂക്കങ്ങൾ ലഭ്യമാകും. pt ഫയലുകൾ.
7- ഡൌൺലോഡ് ചെയ്ത വെയ്റ്റുകൾ ഡയറക്ടറിയിലേക്ക് മാറ്റുക. ഇവിടെയാണ് നിങ്ങളുടെ കണ്ടെത്തൽ സ്ക്രിപ്റ്റ് പ്രവർത്തിക്കുന്നത്.
8- ഈ സമയത്ത്, നിങ്ങളുടെ കണ്ടെത്തൽ സ്ക്രിപ്റ്റിലെ മുൻകൂട്ടി പരിശീലിപ്പിച്ച തൂക്കങ്ങൾ ഉപയോഗിച്ച് നിങ്ങളുടെ ഫോട്ടോകളിലോ വീഡിയോകളിലോ ഒബ്ജക്റ്റ് കണ്ടെത്തൽ പ്രവർത്തിപ്പിക്കാൻ കഴിയും.
ഡാറ്റ തയ്യാറാക്കുക
YOLov5-നൊപ്പം ഉപയോഗത്തിന് ഡാറ്റ തയ്യാറാക്കാൻ നിങ്ങൾ ഇനിപ്പറയുന്ന നടപടികൾ കൈക്കൊള്ളണം:
1. ഡാറ്റ ശേഖരിക്കുക: നിങ്ങൾക്ക് ആവശ്യമായ ചിത്രമോ വീഡിയോ ഡാറ്റയോ ശേഖരിക്കുക എന്നതാണ് ആദ്യപടി ഒബ്ജക്റ്റ് കണ്ടെത്തൽ. നിങ്ങൾ കണ്ടെത്താൻ ആഗ്രഹിക്കുന്ന കാര്യങ്ങൾ ഫോട്ടോകളിലോ വീഡിയോകളിലോ ഉണ്ടായിരിക്കണം.
2- ഡാറ്റ ഫോർമാറ്റ് ചെയ്യുക: നിങ്ങൾ അവ ഉപയോഗിക്കുകയാണെങ്കിൽ നിങ്ങളുടെ സ്ക്രിപ്റ്റിലേക്ക് ഫോട്ടോകൾ ഇറക്കുമതി ചെയ്യാം. നിങ്ങൾ ഒരെണ്ണം ഉപയോഗിക്കാൻ ആഗ്രഹിക്കുന്നുവെങ്കിൽ, ഒരു വീഡിയോ ഫോട്ടോകളുടെ ഒരു പരമ്പരയാക്കി മാറ്റണം. OpenCV പോലുള്ള ഒരു ലൈബ്രറി ഉപയോഗിച്ച് നിങ്ങൾക്ക് ഒരു സിനിമയിൽ നിന്ന് ഫ്രെയിമുകൾ എക്സ്ട്രാക്റ്റ് ചെയ്യാം.
import cv2
img = cv2.imread('path/to/image')
OpenCV ലൈബ്രറി ഉപയോഗിച്ച്, ഒരു വീഡിയോ ചിത്രങ്ങളുടെ ഒരു ശ്രേണിയിലേക്ക് മാറ്റുന്നതിന് നിങ്ങൾക്ക് ഇനിപ്പറയുന്ന കമാൻഡ് ഉപയോഗിക്കാം:
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. ഡാറ്റ ലേബൽ ചെയ്യുക: നിങ്ങൾ നിങ്ങളുടെ ഡാറ്റാസെറ്റ് ഉപയോഗിക്കുകയാണെങ്കിൽ ഡാറ്റ ലേബൽ ചെയ്യണം. ഒരു ചിത്രത്തിന്റെ ഓരോ ഫ്രെയിമിലും നിങ്ങൾ തിരിച്ചറിയാൻ ആഗ്രഹിക്കുന്ന ഇനങ്ങൾക്ക് ചുറ്റും ബോർഡിംഗ് ബോക്സുകൾ വരയ്ക്കുന്നു. ഇത് ഡാറ്റ ലേബൽ ചെയ്യുന്ന പ്രക്രിയയാണ്. LabelImg, RectLabel എന്നിവയുൾപ്പെടെ ഈ പ്രവർത്തനത്തിൽ നിങ്ങളെ സഹായിക്കാൻ നിങ്ങൾക്ക് നിരവധി ടൂളുകൾ ഉപയോഗിക്കാം.
4- നിങ്ങൾ ടാഗ് ചെയ്തതിന് ശേഷം ഡാറ്റയെ പരിശീലന, ടെസ്റ്റിംഗ് സെറ്റുകളായി വിഭജിക്കണം. നിങ്ങളുടെ മോഡൽ എത്ര നന്നായി പ്രവർത്തിക്കുന്നുവെന്ന് വിലയിരുത്തുന്നതിന് ഇത് നിർണായകമാണ്.
5. അവസാനമായി, പരിശീലനത്തിനോ പരിശോധനയ്ക്കോ മുമ്പായി നിങ്ങൾ ഡാറ്റ പ്രീപ്രോസസ് ചെയ്യേണ്ടി വന്നേക്കാം. ഇത് ചിത്രങ്ങളോ വീഡിയോകളോ സ്കെയിൽ ചെയ്യുന്നതിനോ പിക്സൽ മൂല്യങ്ങൾ സ്റ്റാൻഡേർഡ് ചെയ്യുന്നതിനോ ഡാറ്റ വർദ്ധിപ്പിക്കുന്നതിനുള്ള രീതികൾ ഉപയോഗിക്കുന്നതിനോ ഉൾപ്പെടാം.
ഈ ഘട്ടങ്ങൾ പൂർത്തിയാക്കിയ ശേഷം, നിങ്ങളുടെ ഡാറ്റ തയ്യാറാണ്.
കണ്ടെത്തൽ സ്ക്രിപ്റ്റ് പ്രവർത്തിപ്പിക്കുക
ഒരു ചിത്രം വിശകലനം ചെയ്യുകയും ഒബ്ജക്റ്റുകൾ കണ്ടെത്തുകയും ചെയ്യുന്ന ഒരു കണ്ടെത്തൽ സ്ക്രിപ്റ്റിന്റെ ഒരു ചിത്രീകരണം ഇതാ.
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))
നടപടിക്കു ശേഷം
ഒബ്ജക്റ്റ് ഡിറ്റക്ഷനിൽ (എൻഎംഎസ്) ഉപയോഗിക്കുന്ന ഏറ്റവും സാധാരണമായ പോസ്റ്റ്-പ്രോസസ്സിംഗ് ടെക്നിക്കുകളിലൊന്നാണ് നോൺ-മാക്സിമം സപ്രഷൻ. ഒരേ ഒബ്ജക്റ്റിനായി ഓവർലാപ്പുചെയ്യുന്ന ബൗണ്ടിംഗ് ബോക്സുകൾ ഇല്ലാതാക്കാൻ ഞങ്ങൾ NMS ഉപയോഗിക്കുന്നു. കണ്ടെത്തലുകളിൽ NMS എക്സിക്യൂട്ട് ചെയ്യാൻ, നമുക്ക് OpenCV ലൈബ്രറിയുടെ cv2.dnn.NMSBoxes() രീതി ഉപയോഗിക്കാം.
NMS ഉപയോഗിച്ച് കണ്ടെത്തലുകൾ എങ്ങനെ പോസ്റ്റ്-പ്രോസസ് ചെയ്യാം എന്നതിന്റെ ഒരു ഉദാഹരണം ഇതാ.
import cv2
# Perform Non-Maxima Suppression (NMS)
സൂചികകൾ = cv2.dnn.NMSBoxes (കണ്ടെത്തലുകൾ, ആത്മവിശ്വാസം, conf_thres, nms_thres)
ദൃശ്യവൽക്കരണം
ദൃശ്യവൽക്കരണത്തിന്റെ കാര്യത്തിൽ, നമുക്ക് വീണ്ടും OpenCV പോലുള്ള ഒരു ലൈബ്രറി ഉപയോഗിക്കാം. കണ്ടെത്തിയ വസ്തുക്കൾക്ക് ചുറ്റുമുള്ള ബൗണ്ടിംഗ് ബോക്സുകൾ ഉറവിട ചിത്രത്തിലോ വീഡിയോയിലോ നമുക്ക് പ്രദർശിപ്പിക്കാൻ കഴിയും. ചിത്രത്തിന്റെ ബൗണ്ടിംഗ് ബോക്സുകൾ വരയ്ക്കുന്നതിന്, cv2.rectangle() രീതി ഉപയോഗിക്കുക. യഥാർത്ഥ ചിത്രത്തിലെ കണ്ടെത്തലുകൾ എങ്ങനെ കാണാമെന്നത് ഇതാ:
cv2 ഇറക്കുമതി ചെയ്യുക
# Draw the bounding boxes on the image
ഞാൻ സൂചികകളിൽ:
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
അപ്ലിക്കേഷനുകൾ
YOLOv5 ഒരു ശക്തമായ ഒബ്ജക്റ്റ് ഐഡന്റിഫിക്കേഷൻ മോഡലാണ്. അതിനാൽ, പല യഥാർത്ഥ ലോക സാഹചര്യങ്ങളിലും നമുക്ക് ഇത് ഉപയോഗിക്കാൻ കഴിയും. സെൽഫ്-ഡ്രൈവിംഗ് കാറുകളാണ് ഏറ്റവും പ്രധാനപ്പെട്ട ഉപയോഗങ്ങളിലൊന്ന്. YOLOv5-ന് ഓട്ടോമൊബൈൽ, ട്രാഫിക് ലൈറ്റുകൾ എന്നിവ പോലുള്ള ഇനങ്ങൾ തത്സമയം തിരിച്ചറിയാൻ കഴിയും.
നിരീക്ഷണ സംവിധാനങ്ങളിൽ, തത്സമയ വീഡിയോ സ്ട്രീമുകളിൽ ഒബ്ജക്റ്റുകൾ തിരിച്ചറിയാനും ട്രാക്ക് ചെയ്യാനും YOLOv5 ഉപയോഗിക്കാം. കൂടാതെ, റോബോട്ടിക്സിൽ YOLOv5 ഒരു മികച്ച ആസ്തിയാണ്. റോബോട്ടുകളെ അവരുടെ ചുറ്റുപാടുകൾ കണ്ടെത്താനും മനസ്സിലാക്കാനും ഇത് സഹായിക്കും. നാവിഗേഷൻ, കൃത്രിമത്വം തുടങ്ങിയ പ്രവർത്തനങ്ങൾക്ക് ഇത് വളരെ പ്രധാനമാണ്.
റീട്ടെയിൽ, സ്പോർട്സ്, മെഡിക്കൽ, സെക്യൂരിറ്റി തുടങ്ങിയ ഒബ്ജക്റ്റ് ഡിറ്റക്ഷൻ ആവശ്യമായ ഏത് വ്യവസായത്തിലും YOLOv5 ഉപയോഗിച്ചേക്കാം.
തീരുമാനം
അവസാനമായി, YOLO കുടുംബത്തിന്റെ ഏറ്റവും പുതിയതും പരിഷ്കൃതവുമായ പതിപ്പാണ് YOLOv5 ഒബ്ജക്റ്റ് കണ്ടെത്തൽ മോഡലുകൾ
. കൂടാതെ, ലഭ്യമായ ഏറ്റവും കൃത്യമായ ഒബ്ജക്റ്റ് ഡിറ്റക്ഷൻ മോഡൽ ആണെന്ന് പറയുന്നത് ന്യായമാണ്. അതിന്റെ ഉയർന്ന കൃത്യതയ്ക്കും വേഗതയ്ക്കും നന്ദി, നിങ്ങളുടെ ഒബ്ജക്റ്റ് കണ്ടെത്തൽ പ്രോജക്റ്റുകൾക്കായി നിങ്ങൾക്ക് ഇത് സുരക്ഷിതമായി തിരഞ്ഞെടുക്കാനാകും.
റെസ്കി അഗസ്
ഞാൻ yolov5 ഉപയോഗിച്ച് ഡിറ്റക്ഷൻ വെഹിക്കിളിനെക്കുറിച്ച് ഒരു ആദ്യ ജേണൽ ഉണ്ടാക്കി, അതിനെക്കുറിച്ചുള്ള വിവരങ്ങൾ തിരയാൻ ഈ വെബ് എന്നെ സഹായിക്കുന്നു.
AI-യെക്കുറിച്ച് എനിക്ക് വളരെ താൽപ്പര്യമുണ്ട്.
നിങ്ങൾക്ക് AI-യെ കുറിച്ച് ധാരാളം ചോദ്യങ്ങളുണ്ടെങ്കിൽ, നിങ്ങൾക്ക് എന്നെ സഹായിക്കാനാകും
നന്ദി