د کمپیوټر لید د اعتراض کشف ټیکنالوژي د ډیری غوښتنلیکونو لپاره اړینه ده. موږ دا په روبوټکس، د څارنې تجهیزاتو، د ځان چلولو موټرو، او ډیری نورو برخو کې کاروو. له همدې امله، موږ په عکس یا ویډیو کې ځینې شیان ومومئ او پیژنو.
یو له خورا مشهور د اعتراض پیژندنې الګوریتم YOLO دی (تاسو یوازې یو ځل وګورئ) د ماډلونو سیټ. دا موډلونه جوړ شوي دي Ultralytics LLC.
د دې لړۍ وروستۍ نسخه YOLOv5 ده. او، دا په بازار کې د شیانو پیژندنې ترټولو چټک او خورا دقیق ماډل دی. نوي ډیټا ته د عمومي کولو لپاره د ماډل ظرفیت خورا ښه شوی. همدارنګه، دا ډیری ځانګړتیاوې لري چې دا د پخوانیو تکرارونو په پرتله ښه ترسره کوي.
YOLOv5 د ریښتیني وخت غوښتنلیکونو لپاره عالي دی ځکه چې دا کولی شي عکسونه په یوه ثانیه کې تر 1000 فریمونو پورې په یوه GPU کې پروسس کړي.
پدې مقاله کې، موږ به YOLOv5 معرفي کړو او د دې د غوښتنلیک ساحو توضیحاتو ته لاړ شو.
د YOLO سفر: له YOLO څخه YOLOv5 ته
جوزف ریډمون او نور. په اصل کې YOLO، په 2016 کې د شیانو د پیژندنې ماډلونو سیټ معرفي کړ. د YOLO لومړنی ماډل کولی شي په ریښتیني وخت کې شیان وپیژني. په هرصورت، دا په هغه وخت کې د نورو ماډلونو په پرتله لږ دقت درلود.
د YOLO ډیری پرمختللي نسخې د کلونو په اوږدو کې خوشې شوې. او په پای کې، Ultralytics LLC د YOLO لړۍ، YOLOv5 نوی نسخه جوړه کړه.
YOLOv5 ترټولو دقیق او ګړندۍ د څیز پیژندنې ماډل دی چې اوس مهال شتون لري.
مهم خصوصیات
د لنگر بکسونه
YOLOv5 د لنگر بکسونو په کارولو سره په عکس کې د شیانو لپاره د پابندۍ بکسونو وړاندوینه کوي. ماډل وړاندوینه کوي چې د ډیری مخکینۍ ټاکل شوي بکسونو څخه کوم یو د مختلف اړخ تناسب سره د لنگر بکسونو په کارولو سره په عکس کې توکي سره ښه سمون لري. دا مخکې ټاکل شوي بکسونه دي.
او، دوی YOLOv5 ته وړتیا ورکوي چې په عکس کې توکي په دقت سره وپیژني او ومومي.
د موزیک ډیټا وده
کله چې روزنه، YOLOv5 یو میتود کاروي چې د موزیک په نوم پیژندل کیږي د معلوماتو زیاتوالی. د تازه روزنې عکسونو رامینځته کولو لپاره ، زموږ ماډل په تصادفي ډول د څو عکسونو پیچونه ترکیب کوي. د پایلې په توګه، ماډل ډیر انعطاف وړ او د باور وړ کیږي. له همدې امله ، دا نوي ډیټا ته عمومي کولو او اضافي فټینګ کمولو ته رسیږي.
یو ځانګړی روزنیز پایپ لاین
د روزنې یو ځانګړی پایپ لاین چې څارل شوي او مخلوط کوي بې څارنې زده کړه کاروول شوۍ.
په دې توګه، ماډل د کوچني نمونې څخه زده کوي او په اغیزمنه توګه د لیبل شوي ان پټ څخه کار اخلي. دا د ماډل فعالیت ته وده ورکوي او د نوي آخذونو لپاره د عمومي کولو ظرفیت لوړوي.
هغه پرتونه چې پاتې او غیر پاتې دي
د YOLOv5 جوړښت هغه پرتونه سره یوځای کوي چې پاتې او غیر پاتې دي. د پرتونو په اوږدو کې د تدریجي جریان ته اجازه ورکولو سره، پاتې شوي پرتونه د ستونزمن ځانګړتیاو په زده کولو کې د ماډل سره مرسته کوي. همچنان ، غیر پاتې شوي پرتونه ماډل ته د ان پټ عکس خورا پراخه گرفت سره چمتو کوي. د پایلې په توګه، YOLOv5 کولی شي ډیر دقیق او اغیزمن کار وکړي.
د YOLOv5 کارولو څرنګوالی
نصب
د YOLOv5 نصب کول ممکن د پایپ په کارولو سره په چټکۍ سره بشپړ شي. Pip د Python بسته مدیر دی. د YOLOv5 نصبولو عمومي طرزالعملونه په لاندې ډول دي:
1- PyTorch نصب کړئ: ځکه چې YOLOv5 د PyTorch چوکاټ پراساس دی، تاسو باید لومړی PyTorch نصب کړئ.
pip install torch torchvision
2. CUDA نصب کړئ: تاسو باید CUDA نصب کړئ که تاسو په GPU کې YOLOv5 چلولو اراده لرئ.
3. YOLOv5 نصب کړئ: د PyTorch او CUDA ترتیب کولو وروسته، د YOLOv5 ډاونلوډ کولو لپاره لاندې کمانډ وکاروئ.
pip install yolov5
4- د YOLOv5 نصبولو وروسته، تاسو باید مخکې روزل شوي وزنونه ډاونلوډ کړئ. مخکې روزل شوي وزنونه په Ultralytics GitHub repo کې شتون لري.
د لاندې سکرول کولو سره د ویب پاڼې "وزن" برخې ته لاړ شئ. تاسو کولی شئ د لیست څخه مخکې روزل شوي وزنونه ډاونلوډ کړئ چې تاسو یې دلته موندلی شئ.
5. هغه وزنونه غوره کړئ چې مخکې روزل شوي او ستاسو د کارونې قضیې سره سم دي. ډیټاسیټ یا ځانګړی YOLOv5 نسخه چې وزن یې زده شوی و د لیست محدودولو لپاره کارول کیدی شي.
6- د مناسب وزن غوره کولو وروسته، د هغې تر څنګ د "ډاونلوډ" تڼۍ په کلیک کولو سره وزن غوره کړئ. وزنونه به د ډاونلوډ لپاره شتون ولري لکه څنګه چې. pt فایلونه.
۷- ډاونلوډ شوي وزنونه ډایرکټر ته انتقال کړئ. دا هغه ځای دی چې ستاسو د کشف سکریپټ به کار وکړي.
8- پدې مرحله کې ، تاسو کولی شئ په خپل کشف سکریپټ کې د مخکې روزل شوي وزنونو په کارولو سره په خپلو عکسونو یا ویډیوګانو کې د اعتراض کشف چل کړئ.
ډاټا چمتو کړئ
تاسو باید د YOLOv5 سره د کارونې لپاره چمتو شوي ډاټا ترلاسه کولو لپاره لاندې کړنې ترسره کړئ:
1. ډاټا راټول کړئ: لومړی ګام د عکس یا ویډیو ډیټا راټولول دي چې تاسو ورته اړتیا لرئ د شیانو کشف. هغه شیان چې تاسو یې غواړئ کشف کړئ باید په عکسونو یا ویډیوګانو کې شتون ولري.
2- ډیټا فارمیټ کړئ: تاسو ممکن یوازې عکسونه په خپل سکریپټ کې وارد کړئ که تاسو یې کاروئ. تاسو باید یو ویډیو د عکسونو لړۍ ته واړوئ که تاسو د کارولو پلان لرئ. تاسو کولی شئ د OpenCV په څیر د کتابتون په کارولو سره د فلم څخه چوکاټونه راوباسئ.
import cv2
img = cv2.imread('path/to/image')
د OpenCV کتابتون سره، تاسو کولی شئ لاندې کمانډ وکاروئ ترڅو ویډیو د عکسونو لړۍ ته واړوئ:
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. ډاټا لیبل کړئ: تاسو باید ډاټا لیبل کړئ که تاسو خپل ډیټا سیټ کاروئ. د هغه شیانو په شاوخوا کې د بونډینګ بکسونه رسم کړئ چې تاسو یې د عکس په هر چوکاټ کې پیژندل غواړئ. دا د معلوماتو لیبل کولو پروسه ده. تاسو کولی شئ پدې عملیاتو کې ستاسو سره د مرستې لپاره ډیری وسیلې وکاروئ ، پشمول د LabelImg او RectLabel.
4- تاسو باید ډاټا د ټګ کولو وروسته د روزنې او ازموینې سیټونو کې وویشئ. دا د دې ارزولو لپاره خورا مهم دی چې ستاسو ماډل څومره ښه ترسره کوي.
5. په نهایت کې، تاسو ممکن د روزنې یا ازموینې دمخه د معلوماتو دمخه پروسس کولو ته اړتیا ولرئ. دا کولی شي د عکسونو یا ویډیوګانو اندازه کول ، د پکسل ارزښتونو معیاري کول ، یا د ډیټا لوړولو میتودونو کارول شامل وي.
د دې مرحلو بشپړولو وروسته، ستاسو معلومات چمتو دي.
د کشف سکریپټ چل کړئ
دلته د کشف سکریپټ یوه بیلګه ده چې یو عکس تحلیلوي او شیان لټوي.
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))
وروسته پروسس کول
غیر اعظمي فشار یو له خورا مکرر پوسټ پروسس کولو تخنیکونو څخه دی چې د اعتراض کشف (NMS) کې کارول کیږي. موږ د ورته څیز لپاره د اوورلیپینګ بانډینګ بکسونو له مینځه وړو لپاره NMS کاروو. په کشفونو کې د NMS اجرا کولو لپاره، موږ کولی شو د OpenCV کتابتون cv2.dnn.NMSBoxes() میتود وکاروو.
دلته د NMS په کارولو سره د پروسې وروسته کشف کولو څرنګوالي یوه بیلګه ده.
import cv2
# Perform Non-Maxima Suppression (NMS)
شاخصونه = cv2.dnn.NMSBoxes(تشخیص، باور، conf_thres، nms_thres)
لیدل
د بصری کولو په حالت کې، موږ بیا کولی شو یو کتابتون لکه OpenCV وکاروو. موږ کولی شو د سرچینې په عکس یا ویډیو کې د کشف شوي شیانو شاوخوا تړل شوي بکسونه ښکاره کړو. د انځور د تړلو بکسونو د رسم کولو لپاره، د cv2.rectangle() طریقه وکاروئ. دلته په اصلي عکس کې د کشفونو لیدلو څرنګوالی دی:
cv2 وارد کړئ
# Draw the bounding boxes on the image
زما لپاره په شاخصونو کې:
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
غوښتنلیکونه
YOLOv5 یو پیاوړی څیز پیژندنه ماډل دی. له همدې امله ، موږ کولی شو دا په ډیری ریښتیني نړۍ سناریوګانو کې وکاروو. یو له خورا مشهور کارونې څخه په ځان چلولو موټرو کې دی. YOLOv5 کولی شي په ریښتیني وخت کې توکي وپیژني لکه د موټرو او ترافیک څراغونه.
د څارنې سیسټمونو کې، موږ کولی شو YOLOv5 وکاروو ترڅو په ژوندۍ ویډیو جریانونو کې شیان وپیژنو او تعقیب کړو. سربیره پردې ، YOLOv5 کولی شي په روبوټیک کې عالي پانګه وي. دا کولی شي د روبوټ سره مرسته وکړي چې د دوی شاوخوا شاوخوا کشف او پوه کړي. دا د فعالیتونو لکه نیویګیشن او لاسوهنې لپاره خورا مهم دی.
YOLOv5 کیدای شي په هر صنعت کې هم وکارول شي چې د شیانو کشف ته اړتیا لري، لکه پرچون، سپورت، طبي، او امنیت.
پایله
په نهایت کې ، YOLOv5 د YOLO کورنۍ ترټولو وروستي او پیچلي نسخه ده د شیانو کشف موډلونه
. همچنان ، دا مناسبه ده چې ووایو چې دا د اعتراض موندلو ترټولو دقیق ماډل دی. د دې د لوړ دقت او سرعت څخه مننه ، تاسو کولی شئ دا په خوندي ډول ستاسو د اعتراض کشف پروژې لپاره غوره کړئ.
Resky Agus
زه د یولوف 5 سره د کشف موټر په اړه لومړی ژورنال جوړوم او دا ویب له ما سره د دې په اړه د معلوماتو لټون کولو کې مرسته کوي.
زه د AI په اړه ډیره علاقه لرم.
که تاسو کولی شئ زه د AI په اړه ډیرې پوښتنې لرم شاید تاسو مرسته کولی شئ
مننه