Yolo V5 Construction Machine Detection

🚀 uisikdag/yapimakine

該項目基於YOLOv5實現目標檢測，提供了模型的使用方法，包括安裝、預測和微調等，可用於實際的目標檢測任務。

🚀 快速開始

安裝依賴

安裝 yolov5：

pip install -U yolov5

加載模型並進行預測

import yolov5

# 加載模型
model = yolov5.load('uisikdag/yapimakine')
  
# 設置模型參數
model.conf = 0.25  # NMS置信度閾值
model.iou = 0.45  # NMS IoU閾值
model.agnostic = False  # NMS類別無關
model.multi_label = False  # NMS每個框多個標籤
model.max_det = 1000  # 每張圖像的最大檢測數

# 設置圖像
img = 'https://github.com/ultralytics/yolov5/raw/master/data/images/zidane.jpg'

# 進行推理
results = model(img, size=640)

# 測試時增強推理
results = model(img, augment=True)

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

# 在圖像上顯示檢測邊界框
results.show()

# 將結果保存到 "results/" 文件夾
results.save(save_dir='results/')

在自定義數據集上微調模型

yolov5 train --data data.yaml --img 640 --batch 16 --weights uisikdag/yapimakine --epochs 10

更多模型

更多模型請參考：awesome-yolov5-models

💻 使用示例

基礎用法

import yolov5

# 加載模型
model = yolov5.load('uisikdag/yapimakine')
  
# 設置圖像
img = 'https://github.com/ultralytics/yolov5/raw/master/data/images/zidane.jpg'

# 進行推理
results = model(img, size=640)

# 顯示結果
results.show()

高級用法

import yolov5

# 加載模型
model = yolov5.load('uisikdag/yapimakine')
  
# 設置模型參數
model.conf = 0.25  # NMS置信度閾值
model.iou = 0.45  # NMS IoU閾值
model.agnostic = False  # NMS類別無關
model.multi_label = False  # NMS每個框多個標籤
model.max_det = 1000  # 每張圖像的最大檢測數

# 設置圖像
img = 'https://github.com/ultralytics/yolov5/raw/master/data/images/zidane.jpg'

# 進行推理並使用測試時增強
results = model(img, augment=True)

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

# 保存結果
results.save(save_dir='results/')

📦 模型信息

數據集
鏈接