Yolov5n Valorant

## 🚀 keremberke/yolov5n-valorant

このモデルは、YOLOv5をベースにした物体検出モデルです。Valorantの物体検出タスクに特化しており、高精度な検出結果を提供します。

## 🚀 クイックスタート
### モデルのインストールと使用
- [yolov5](https://github.com/fcakyon/yolov5-pip) をインストールします。
```bash
pip install -U yolov5

• モデルをロードして予測を実行します。

import yolov5

# load model
model = yolov5.load('keremberke/yolov5n-valorant')
  
# set model parameters
model.conf = 0.25  # NMS confidence threshold
model.iou = 0.45  # NMS IoU threshold
model.agnostic = False  # NMS class-agnostic
model.multi_label = False  # NMS multiple labels per box
model.max_det = 1000  # maximum number of detections per image

# set image
img = 'https://github.com/ultralytics/yolov5/raw/master/data/images/zidane.jpg'

# perform inference
results = model(img, size=640)

# inference with test time augmentation
results = model(img, augment=True)

# parse results
predictions = results.pred[0]
boxes = predictions[:, :4] # x1, y1, x2, y2
scores = predictions[:, 4]
categories = predictions[:, 5]

# show detection bounding boxes on image
results.show()

# save results into "results/" folder
results.save(save_dir='results/')

• 独自のデータセットでモデルを微調整します。

yolov5 train --data data.yaml --img 640 --batch 16 --weights keremberke/yolov5n-valorant --epochs 10

他のモデルはこちら: awesome-yolov5-models

📦 インストール

ライブラリのインストール

pip install -U yolov5

💻 使用例

基本的な使用法

import yolov5

# load model
model = yolov5.load('keremberke/yolov5n-valorant')
  
# set model parameters
model.conf = 0.25  # NMS confidence threshold
model.iou = 0.45  # NMS IoU threshold
model.agnostic = False  # NMS class-agnostic
model.multi_label = False  # NMS multiple labels per box
model.max_det = 1000  # maximum number of detections per image

# set image
img = 'https://github.com/ultralytics/yolov5/raw/master/data/images/zidane.jpg'

# perform inference
results = model(img, size=640)

# show detection bounding boxes on image
results.show()

# save results into "results/" folder
results.save(save_dir='results/')

高度な使用法

# テスト時のデータ拡張を使用した推論
results = model(img, augment=True)

# 結果の解析
predictions = results.pred[0]
boxes = predictions[:, :4] # x1, y1, x2, y2
scores = predictions[:, 4]
categories = predictions[:, 5]

📚 ドキュメント

モデル情報

プロパティ	詳細
モデルタイプ	YOLOv5
訓練データセット	keremberke/valorant-object-detection
評価指標	mAP@0.5: 0.9591260700013188