Ultralytics YOLOv5#
نظرة عامة#
يمثل YOLOv5u تطورًا في منهجيات اكتشاف الأجسام. وانطلاقًا من البنية الأساسية لنموذج YOLOv5 الذي طورته Ultralytics، يدمج YOLOv5u الرأس المنقسم الخالي من المراسي والخالي من احتمالية وجود الكائن، وهي ميزة قُدّمت سابقًا في نماذج YOLOv8. يعمل هذا التكييف على تحسين بنية النموذج، مما يؤدي إلى مفاضلة أفضل بين الدقة والسرعة في مهام اكتشاف الأجسام. واستنادًا إلى النتائج التجريبية والميزات المشتقة منه، يوفر YOLOv5u بديلًا فعالًا للباحثين عن حلول متينة في التطبيقات البحثية والعملية على حد سواء.
توفر Ultralytics نسخة من نموذج YOLOv5 خالية من المراسي. لا يمكن تحميل النماذج المدرَّبة باستخدام مستودع ultralytics/yolov5 عبر مكتبة ultralytics/ultralytics. لاستخدام YOLOv5 هنا، درّب نموذجًا جديدًا انطلاقًا من نقطة تحقق YOLOv5u من Ultralytics (مثل yolov5su.pt).
استكشف نماذج YOLOv5 وشغّلها مباشرةً على Ultralytics Platform.
الميزات الرئيسية#
-
رأس Ultralytics المنقسم والخالي من المراسي: تعتمد نماذج اكتشاف الأجسام التقليدية على مربعات مراسي محددة مسبقًا للتنبؤ بمواقع الأجسام. إلا أن YOLOv5u يحدّث هذا النهج. ومن خلال اعتماد رأس Ultralytics منقسم وخالٍ من المراسي، فإنه يضمن آلية اكتشاف أكثر مرونة وتكيفًا، مما يعزز الأداء في السيناريوهات المتنوعة.
-
مفاضلة محسّنة بين الدقة والسرعة: غالبًا ما تتجه السرعة والدقة في اتجاهين متعاكسين. لكن YOLOv5u يتحدى هذه المفاضلة. فهو يوفر توازنًا مضبوطًا يضمن عمليات اكتشاف آنية دون المساس بالدقة. وتكتسب هذه الميزة قيمة خاصة في التطبيقات التي تتطلب استجابات سريعة، مثل المركبات ذاتية القيادة و[الروبوتات](https://ultralytics-translation-1.invalid وتحليلات الفيديو الآنية.
-
تنوع النماذج المدرَّبة مسبقًا: إدراكًا لأن المهام المختلفة تتطلب مجموعات أدوات مختلفة، يوفر YOLOv5u عددًا كبيرًا من النماذج المدرَّبة مسبقًا. سواء كنت تركز على الاستدلال أو التحقق أو التدريب، فهناك نموذج مصمم خصيصًا بانتظارك. ويضمن هذا التنوع أنك لا تستخدم حلًا واحدًا يناسب الجميع، بل نموذجًا مضبوطًا بدقة ليتلاءم مع تحديك الفريد.
المهام والأوضاع المدعومة#
تتفوق نماذج YOLOv5u، بأوزانها المدرَّبة مسبقًا المتنوعة، في مهام اكتشاف الأجسام. وهي تدعم مجموعة شاملة من الأوضاع، مما يجعلها مناسبة لتطبيقات متنوعة، بدءًا من التطوير ووصولًا إلى النشر.
| نوع النموذج | الأوزان المدرّبة مسبقًا | المهمة | التدريب | التحقق | الاستدلال | التصدير |
|---|---|---|---|---|---|---|
| YOLOv5u | yolov5nu، yolov5su، yolov5mu، yolov5lu، yolov5xu، yolov5n6u، yolov5s6u، yolov5m6u، yolov5l6u، yolov5x6u | اكتشاف الأجسام | ✅ | ✅ | ✅ | ✅ |
يوفر هذا الجدول نظرة عامة مفصلة على متغيرات نموذج YOLOv5u، مع إبراز مدى ملاءمتها لمهام اكتشاف الأجسام ودعمها لأوضاع تشغيل متنوعة مثل الاستدلال والتحقق والتدريب والتصدير. ويضمن هذا الدعم الشامل إمكانية استفادة المستخدمين بالكامل من قدرات نماذج YOLOv5u في نطاق واسع من سيناريوهات اكتشاف الأجسام.
مقاييس الأداء#
راجع وثائق الكشف للاطلاع على أمثلة الاستخدام مع هذه النماذج المدرّبة على COCO، والتي تتضمن 80 فئة مدرّبة مسبقًا.
| النموذج | YAML | الحجم (بكسل) | mAPval 50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة A100 TensorRT (مللي ثانية) | المعاملات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|---|
| yolov5nu.pt | yolov5n.yaml | 640 | 34.3 | 73.6 | 1.06 | 2.6 | 7.7 |
| yolov5su.pt | yolov5s.yaml | 640 | 43.0 | 120.7 | 1.27 | 9.1 | 24.0 |
| yolov5mu.pt | yolov5m.yaml | 640 | 49.0 | 233.9 | 1.86 | 25.1 | 64.2 |
| yolov5lu.pt | yolov5l.yaml | 640 | 52.2 | 408.4 | 2.50 | 53.2 | 135.0 |
| yolov5xu.pt | yolov5x.yaml | 640 | 53.2 | 763.2 | 3.81 | 97.2 | 246.4 |
| yolov5n6u.pt | yolov5n6.yaml | 1280 | 42.1 | 211.0 | 1.83 | 4.3 | 31.3 |
| yolov5s6u.pt | yolov5s6.yaml | 1280 | 48.6 | 422.6 | 2.34 | 15.3 | 97.6 |
| yolov5m6u.pt | yolov5m6.yaml | 1280 | 53.6 | 810.9 | 4.36 | 41.2 | 261.3 |
| yolov5l6u.pt | yolov5l6.yaml | 1280 | 55.7 | 1470.9 | 5.47 | 86.1 | 549.4 |
| yolov5x6u.pt | yolov5x6.yaml | 1280 | 56.8 | 2436.5 | 8.98 | 155.5 | 1002.8 |
أمثلة على الاستخدام#
يوفر هذا المثال أمثلة بسيطة على تدريب YOLOv5 والاستدلال به. للحصول على الوثائق الكاملة حول هذه الأوضاع وغيرها، راجع صفحات وثائق التنبؤ والتدريب والتحقق والتصدير.
يمكن تمرير نماذج *.pt المدرّبة مسبقًا باستخدام PyTorch، بالإضافة إلى ملفات الإعداد *.yaml، إلى الفئة YOLO() لإنشاء مثيل نموذج في Python:
from ultralytics import YOLO
# Load a COCO-pretrained YOLOv5nu model
model = YOLO("yolov5nu.pt")
# Display model information (optional)
model.info()
# Train the model on the COCO8 example dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Run inference with the YOLOv5nu model on the 'bus.jpg' image
results = model("path/to/bus.jpg")الاقتباسات والشكر والتقدير#
لم تنشر Ultralytics ورقة بحثية رسمية عن YOLOv5 نظرًا إلى الطبيعة سريعة التطور للنماذج. نركز على تطوير التقنية وتسهيل استخدامها بدلًا من إنتاج وثائق ثابتة. للحصول على أحدث المعلومات حول بنية YOLO وميزاته واستخدامه، يُرجى الرجوع إلى مستودع GitHub والوثائق.
إذا استخدمت YOLOv5 أو YOLOv5u في بحثك، يُرجى الاستشهاد بمستودع Ultralytics YOLOv5 كما يلي:
@software{yolov5,
title = {Ultralytics YOLOv5},
author = {Glenn Jocher},
year = {2020},
version = {7.0},
license = {AGPL-3.0},
url = {https://github.com/ultralytics/yolov5},
doi = {10.5281/zenodo.3908559},
orcid = {0000-0001-5950-6979}
}يرجى ملاحظة أن نماذج YOLOv5 متاحة بموجب ترخيصي AGPL-3.0 والمؤسسية.
الأسئلة الشائعة#
Ultralytics YOLOv5u هو إصدار متقدم من YOLOv5، يدمج الرأس المنقسم الخالي من المراسي والخالي من احتمالية وجود الكائن، مما يحسن المفاضلة بين الدقة والسرعة لمهام اكتشاف الأجسام الآنية. وعلى خلاف YOLOv5 التقليدي، يعتمد YOLOv5u آلية اكتشاف خالية من المراسي، مما يجعله أكثر مرونة وتكيفًا في السيناريوهات المتنوعة. لمزيد من المعلومات التفصيلية حول ميزاته، يمكنك الرجوع إلى نظرة عامة على YOLOv5.
يحسن رأس Ultralytics الخالي من المراسي في YOLOv5u أداء اكتشاف الأجسام من خلال إزالة الاعتماد على مربعات المراسي المحددة مسبقًا. وينتج عن ذلك آلية اكتشاف أكثر مرونة وتكيفًا يمكنها التعامل مع أحجام الأجسام وأشكالها المختلفة بكفاءة أكبر. ويسهم هذا التحسين مباشرةً في تحقيق مفاضلة متوازنة بين الدقة والسرعة، مما يجعل YOLOv5u مناسبًا للتطبيقات الآنية. تعرّف على المزيد حول بنيته في قسم الميزات الرئيسية.
نعم، يمكنك استخدام نماذج YOLOv5u المدرَّبة مسبقًا لمهام متنوعة مثل اكتشاف الأجسام. وتدعم هذه النماذج أوضاعًا متعددة، بما في ذلك الاستدلال والتحقق والتدريب والتصدير. وتتيح هذه المرونة للمستخدمين الاستفادة من قدرات نماذج YOLOv5u عبر متطلبات تشغيلية مختلفة. للحصول على نظرة عامة مفصلة، راجع قسم المهام والأوضاع المدعومة.
تختلف مقاييس أداء نماذج YOLOv5u تبعًا للمنصة والعتاد المستخدم. فعلى سبيل المثال، يحقق نموذج YOLOv5nu قيمة 34.3 mAP على مجموعة بيانات COCO بسرعة تبلغ 73.6 ms على CPU (ONNX) و1.06 ms على A100 TensorRT. ويمكن العثور على مقاييس الأداء التفصيلية لنماذج YOLOv5u المختلفة في قسم مقاييس الأداء، الذي يوفر مقارنة شاملة عبر أجهزة متنوعة.
يمكنك تدريب نموذج YOLOv5u من خلال تحميل نموذج مدرَّب مسبقًا وتشغيل أمر التدريب باستخدام مجموعة بياناتك. إليك مثالًا سريعًا:
مثالfrom ultralytics import YOLO # Load a COCO-pretrained YOLOv5nu model model = YOLO("yolov5nu.pt") # Display model information (optional) model.info() # Train the model on the COCO8 example dataset for 100 epochs results = model.train(data="coco8.yaml", epochs=100, imgsz=640)للحصول على إرشادات أكثر تفصيلًا، تفضل بزيارة قسم أمثلة الاستخدام.