|
1 | 1 | <h2style ="text-align":center;"markdown="1"> ComputerVision-YoloV5 </h2> |
| 2 | +Google Colab kullanılarak yapılmıştır. |
| 3 | +<br> <br> |
2 | 4 |
|
3 | | -*Yolo v5'in Avantajları ve Dezavantajları: |
4 | | -*YOLOv4'ten yaklaşık %88 daha küçüktür. (27 MB vs 244 MB) |
5 | | -*YOLOv4'ten yaklaşık %180 daha hızlıdır. (140 FPS vs 50 FPS) |
| 5 | +<h2style ="text-align":center;"markdown="1"> Kod </h2> |
6 | 6 |
|
7 | | -YOLOv5 için asıl sorun: diğer YOLO sürümleri gibi resmi bir belge yayınlanmamış olmasıdır. Ayrıca, YOLO v5 hala geliştirme aşamasındadır ve ultralytics'ten sık sık güncellemeler almaktadır. |
| 7 | +####Setup |
| 8 | +```python |
8 | 9 |
|
| 10 | +!git clone https://github.com/ultralytics/yolov5 |
| 11 | +%cd yolov5 |
9 | 12 |
|
10 | | - |
| 13 | +``` |
11 | 14 |
|
12 | | -            YOLOV5'in diğer versiyonlarına göre performans farkı |
| 15 | +####Datanın yüklenmesi ve zip dosyasından çıkarılması |
| 16 | +```python |
13 | 17 |
|
| 18 | +!unzip-q ../coco128.zip-d ../ |
14 | 19 |
|
15 | | -Biz projemizde YoloV5 kullandık. |
16 | | -Projemizin başında Drone verisi kullandık ancak istediğimiz başarıyı verinin tam olarak güzel olmasından dolayı elde edemedik.Bu yüzden elimizde olan verilerden iyi durumda olanları etiketleyip YoloV5 ile eğitip hızlıca bir sonuç aldık. |
| 20 | +``` |
17 | 21 |
|
18 | | -Drone Veri Seti:https://www.kaggle.com/mcagriaksoy/amateur-unmanned-air-vehicle-detection-dataset |
19 | 22 |
|
20 | | -Drone verisinin eğitim sonucu: |
21 | | - |
| 23 | +####Training |
| 24 | +```python |
| 25 | +!python train.py--img640--batch16--epochs3--data coco128.yaml--weights yolov5s.pt--cache |
| 26 | +``` |
22 | 27 |
|
23 | | -Ardından daha iyi bir sonuç almak için COCO128 verisini kullandık:https://www.kaggle.com/ultralytics/coco128 |
| 28 | +####Test |
| 29 | +```python |
| 30 | +!python detect.py--weights yolov5s.pt--img640--conf0.25--source dosyaDizini |
| 31 | +``` |
24 | 32 |
|
25 | | -Bu veri kümesi, 2017 COCO treninin ilk 128 görüntüsünü içerir. YOLOv5 için öğretici veri kümesi olarak kullanılır:https://github.com/ultralytics/yolov5 |
| 33 | +####Output'u görüntülemek |
| 34 | + |
26 | 35 |
|
27 | | -Veri kümesi, eğitmek ve test etmek için aynı 128 görüntüyü kullanır. Daha büyük bir veri kümesini eğitmeden önce küçük bir veri kümesinde fazla takmayı göstererek bir eğitim hattını doğrulamak amaçlanmıştır. |
| 36 | +<br> |
| 37 | +<h2style ="text-align":center;"markdown="1"> Sunum </h2> |
28 | 38 |
|
29 | | -COCO128 verisinin eğitiminden sonra tespit yapabilmesi için verdiğimiz fotoğraflarda beklediğimizin üstünde olumlu sonuç elde ettik. |
| 39 | +* Yolo v5'in Avantajları ve Dezavantajları: |
| 40 | +* YOLOv4'ten yaklaşık %88 daha küçüktür. (27 MB vs 244 MB) |
| 41 | +* YOLOv4'ten yaklaşık %180 daha hızlıdır. (140 FPS vs 50 FPS) |
30 | 42 |
|
31 | | -Coco128 verisinin eğitim sonuçları: |
| 43 | +* YOLOv5'in dejavantajı ise: Diğer YOLO sürümleri gibi resmi bir belge yayınlanmamış olmasıdır. Ayrıca, YOLO v5 hala geliştirme aşamasındadır ve ultralytics'ten sık sık güncellemeler almaktadır. |
32 | 44 |
|
33 | | - |
| 45 | +<br> |
34 | 46 |
|
35 | | - |
| 47 | + |
36 | 48 |
|
37 | | -Başlamak için : |
| 49 | +<palign="center"> |
| 50 | +YOLOV5'in diğer versiyonlarına göre performans farkı |
| 51 | +</p> |
38 | 52 |
|
39 | | -!git clonehttps://github.com/ultralytics/yolov5 # clone |
| 53 | +<br> |
40 | 54 |
|
41 | | -%cd yolov5 |
| 55 | +Biz projemizde YoloV5 kullandık. |
| 56 | +Projemizin başında Drone fotoğrafı datasını kullandık (Data'ya[buradan](https://www.kaggle.com/mcagriaksoy/amateur-unmanned-air-vehicle-detection-dataset) ulaşabilirsiniz) <br> |
| 57 | +Ancak istediğimiz başarıyı data'nın iyi bir data olmamasından dolayı elde edemedik. <br> |
| 58 | +Bu yüzden elimizde olan datalardan iyi durumda olanları etiketleyip YoloV5 ile eğitip hızlıca bir sonuç aldık. |
42 | 59 |
|
43 | | -%pip install -qr requirements.txt # install |
| 60 | +<br> |
44 | 61 |
|
45 | | -import torch |
| 62 | + |
46 | 63 |
|
47 | | -from yolov5 import utils |
| 64 | +<palign="center"> |
| 65 | +Drone Fotoğrafı Datasının Eğitim Sonucu |
| 66 | +</p> |
48 | 67 |
|
49 | | -display = utils.notebook_init() # checks |
| 68 | +<br> |
50 | 69 |
|
| 70 | +Ardından daha iyi bir sonuç alabilmek için COCO128 datasını kullandık (Data'ya[buradan](https://www.kaggle.com/ultralytics/coco128) ulaşabilirsiniz) |
| 71 | + |
| 72 | +Bu data, 2017 COCO treninin ilk 128 görüntüsünü içerir. YOLOV5 için öğretici bir data olarak kullanılır:https://github.com/ultralytics/yolov5 |
| 73 | + |
| 74 | +Bu data, eğitmek ve test etmek için aynı 128 görüntüyü kullanır. Daha büyük bir datayı eğitmeden önce böyle küçük bir data'da sonuçlar gösterilerek performansın ölçülmesi amaçlanmıştır. |
| 75 | + |
| 76 | +<br> <br> |
| 77 | + |
| 78 | +<palign="center"> |
| 79 | +<strong> Coco128 Datasının Eğitim Sonuçları </strong> |
| 80 | +</p> |
| 81 | + |
| 82 | +<br> |
| 83 | + |
| 84 | + |
| 85 | + |
| 86 | + |