YOLOV5 U USPOREDBI S BRŽIM RCNN -OM. TKO POBJEĐUJE?

Implementacija YOLOv5 izvedena je u Pytorchu za razliku od prethodnih razvoja koji su koristili DarkNet okvir. To olakšava razumijevanje, obuku i primjenu ovog modela. Nema papira objavljenog s YOLO-v5. Moje je shvaćanje da je arhitektonski vrlo slično YOLO-v4 . Jedna drugačija može biti upotreba Djelomična mreža s više faza (CSP) za smanjenje troškova izračuna. Još uvijek nije jasno radi li YOLO-v5 brže od YOLO-v4 ali više volim Pytorch implementacije i zadivljen sam koliko je lako trenirati s ovim modelom. Moje osobno iskustvo iznošenja zaključaka također je bilo besprijekorno.

Izdanje YOLOv5 uključuje pet različitih veličina modela: YOLOv5s (najmanji), YOLOv5m, YOLOv5l, YOLOv5x (najveći). Brzina zaključivanja i srednja prosječna preciznost (mAP) za ove modele dijele se u nastavku:

Slika za objavu

YOLO v5 statistika od UltraLytics repo

Zaključivanje pomoću YOLO-v5

Prvi korak bi bio da se klonirajte repo za YOLO-v5 . Instalirajte sve zahtjeve. Koristim Pytorch 1.5 i kod radi bez problema.

Sve utege za različite unaprijed obučene COCO modele možete preuzeti pomoću:

bash weights/download_weights.sh

Da biste zaključili videozapis, morate proći put do videozapisa i težine modela koji želite koristiti. Ako argument težine nije postavljen, tada se prema zadanim postavkama kôd izvodi na malom modelu YOLO. Primjeri argumenata koje sam koristio dijelimo u nastavku:

python detect.py --source video/MOT20-01-raw-cut1.mp4 --output video_out/ --weights weights/yolov5s.pt --conf-thres 0.4

Izlazni video zapis bit će spremljen u izlaznu mapu

Trening pomoću YOLO-v5

Osobno nisam isprobao obuku pomoću YOLO-v5 na prilagođenom skupu podataka, ali dobar korak po korak upute dijeli Roboflow na Youtubeu ovdje .

#duboko učenje #otkrivanje objekata #podatkovna znanost #računalni vid #umjetna inteligencija #duboko učenje

premadatascience.com