keremberke/yolov5m-aerial-sheep

Instalar yolov5:

pip install -U yolov5

Cargar modelo y realizar predicción:

import yolov5

# cargar modelo
model = yolov5.load('keremberke/yolov5m-aerial-sheep')

# establecer parámetros del modelo
model.conf = 0.25 # Umbral de confianza NMS
model.iou = 0.45 # Umbral IoU NMS
model.agnostic = False # NMS clase-agnóstica
model.multi_label = False # Múltiples etiquetas NMS por caja
model.max_det = 1000 # Número máximo de detecciones por imagen

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

# realizar inferencia
results = model(img, size=640)

# inferencia con aumento de tiempo de prueba
results = model(img, augment=True)

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

# mostrar cajas de delimitación en la imagen
yresults.show()

Guardar resultados en la carpeta "results/":

results.save(save_dir='results/')

Afinar el modelo en tu propio conjunto de datos:

yolov5 train --data data.yaml --img 640 --batch 16 --weights keremberke/yolov5m-aerial-sheep --epochs 10