انتقل إلى المحتوى

YOLOv5

نظره عامه

يمثل YOLOv5u تقدما في منهجيات الكشف عن الكائنات. نشأت من العمارة التأسيسية ل YOLOv5 تم تطوير النموذج بواسطة Ultralytics، يدمج YOLOv5u الرأس المنقسم الخالي من المرساة والخالي من الأشياء ، وهي ميزة تم تقديمها مسبقا في YOLOv8 نماذج. يعمل هذا التكيف على تحسين بنية النموذج ، مما يؤدي إلى تحسين مقايضة سرعة الدقة في مهام اكتشاف الكائنات. بالنظر إلى النتائج التجريبية وميزاتها المشتقة ، يوفر YOLOv5u بديلا فعالا لأولئك الذين يبحثون عن حلول قوية في كل من التطبيقات البحثية والعملية.

Ultralytics YOLOv5

الميزات الرئيسية

  • انقسام خال من المرساة Ultralytics الرأس: تعتمد نماذج اكتشاف الكائنات التقليدية على مربعات ربط محددة مسبقا للتنبؤ بمواقع الكائنات. ومع ذلك ، يقوم YOLOv5u بتحديث هذا النهج. من خلال اعتماد تقسيم خال من المرساة Ultralytics HEAD ، فإنه يضمن آلية كشف أكثر مرونة وتكيفا ، وبالتالي تعزيز الأداء في سيناريوهات متنوعة.

  • مقايضة الدقة والسرعة المحسنة: غالبا ما تسحب السرعة والدقة في اتجاهين متعاكسين. لكن YOLOv5u يتحدى هذه المقايضة. إنه يوفر ميزانا معايرا ، مما يضمن الاكتشافات في الوقت الفعلي دون المساومة على الدقة. هذه الميزة لا تقدر بثمن بشكل خاص للتطبيقات التي تتطلب استجابات سريعة ، مثل المركبات المستقلة والروبوتات وتحليلات الفيديو في الوقت الفعلي.

  • مجموعة متنوعة من النماذج المدربة مسبقا: من خلال فهم أن المهام المختلفة تتطلب مجموعات أدوات مختلفة ، يوفر YOLOv5u عددا كبيرا من النماذج المدربة مسبقا. سواء كنت تركز على الاستدلال أو التحقق من الصحة أو التدريب ، فهناك نموذج مصمم خصيصا في انتظارك. يضمن هذا التنوع أنك لا تستخدم فقط حلا واحدا يناسب الجميع ، ولكن نموذجا مضبوطا خصيصا لتحديك الفريد.

المهام والأوضاع المدعومة

تتفوق طرازات YOLOv5u ، مع العديد من الأوزان المدربة مسبقا ، في مهام اكتشاف الكائنات . إنها تدعم مجموعة شاملة من الأوضاع ، مما يجعلها مناسبة للتطبيقات المتنوعة ، من التطوير إلى النشر.

نوع الموديل الأوزان المدربة مسبقا مهمة استدلال التحقق تدريب تصدير
YOLOv5u yolov5nu, yolov5su, yolov5mu, yolov5lu, yolov5xu, yolov5n6u, yolov5s6u, yolov5m6u, yolov5l6u, yolov5x6u كشف الكائن

يقدم هذا الجدول نظرة عامة مفصلة على متغيرات نموذج YOLOv5u ، مع تسليط الضوء على قابليتها للتطبيق في مهام اكتشاف الكائنات ودعم أوضاع التشغيل المختلفة مثل الاستدلال والتحقق من الصحة والتدريب والتصدير. يضمن هذا الدعم الشامل أنه يمكن للمستخدمين الاستفادة الكاملة من قدرات نماذج YOLOv5u في مجموعة واسعة من سيناريوهات اكتشاف الكائنات.

مقاييس الأداء

اداء

راجع مستندات الكشف للحصول على أمثلة الاستخدام مع هذه النماذج المدربة على COCO، والتي تتضمن 80 فصلا مدربا مسبقا.

نموذج يامل حجم
(بكسل)
خريطةفال
50-95
سرعة
وحده المعالجه المركزيه ONNX
(مللي ثانية)
سرعة
أ 100 TensorRT
(مللي ثانية)
المعلمات
(م)
يتخبط
(ب)
yolov5nu.pt يولوف 5 إن يامل 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 يولوف 5 م يامل 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 يولوف 5x.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 7.8
yolov5s6u.pt Yolov5s6.yaml 1280 48.6 422.6 2.34 15.3 24.6
yolov5m6u.pt يولوف 5 م 6.يامل 1280 53.6 810.9 4.36 41.2 65.7
yolov5l6u.pt Yolov5L6.yaml 1280 55.7 1470.9 5.47 86.1 137.4
yolov5x6u.pt يولوف 5x6.yaml 1280 56.8 2436.5 8.98 155.4 250.7

أمثلة الاستخدام

يوفر هذا المثال بسيطا YOLOv5 أمثلة التدريب والاستدلال. للحصول على وثائق كاملة حول هذه الأوضاع وغيرها ، راجع صفحات مستندات التنبؤ والتدريب وVal والتصدير.

مثل

PyTorch التدريب المسبق *.pt النماذج وكذلك التكوين *.yaml يمكن تمرير الملفات إلى ملف YOLO() فئة لإنشاء مثيل نموذج في python:

from ultralytics import YOLO

# Load a COCO-pretrained YOLOv5n model
model = YOLO("yolov5n.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 YOLOv5n model on the 'bus.jpg' image
results = model("path/to/bus.jpg")

CLI تتوفر الأوامر لتشغيل النماذج مباشرة:

# Load a COCO-pretrained YOLOv5n model and train it on the COCO8 example dataset for 100 epochs
yolo train model=yolov5n.pt data=coco8.yaml epochs=100 imgsz=640

# Load a COCO-pretrained YOLOv5n model and run inference on the 'bus.jpg' image
yolo predict model=yolov5n.pt source=path/to/bus.jpg

الاستشهادات والشكر

إذا كنت تستخدم YOLOv5 أو YOLOv5u في بحثك ، يرجى الاستشهاد ب Ultralytics YOLOv5 مستودع على النحو التالي:

@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 YOLOv5 يتم توفير النماذج تحت AGPL-3.0 وتراخيص المؤسسات .



Created 2023-11-12, Updated 2024-06-10
Authors: glenn-jocher (12), Burhan-Q (1)

التعليقات