Ultralytics YOLOv5

لمحة عامة

يمثل YOLOv5u تقدمًا في منهجيات اكتشاف الأجسام. ينشأ من البنية التأسيسية لـ YOLOv5 التي طوّرها Ultralytics ، يدمج YOLOv5u رأس التقسيم الخالي من الارتكاز والخالي من الأجسام، وهي ميزة تم تقديمها سابقًا في YOLOv8 النماذج. يعمل هذا التكييف على تحسين بنية النموذج، مما يؤدي إلى تحسين المفاضلة بين الدقة والسرعة في مهام اكتشاف الأجسام. بالنظر إلى النتائج التجريبية والميزات المشتقة منه، يوفر YOLOv5u بديلاً فعالاً لأولئك الذين يبحثون عن حلول قوية في كل من التطبيقات البحثية والعملية.

الميزات الرئيسية

• رأس الانقسام الخالي من المراسي Ultralytics : تعتمد النماذج التقليدية للكشف عن الأجسام على مربعات الارتكاز المحددة مسبقًا للتنبؤ بمواقع الأجسام. ومع ذلك، يعمل YOLOv5u على تحديث هذا النهج. فمن خلال اعتماد رأس Ultralytics المنفصل الخالي من المرساة ، فإنه يضمن آلية كشف أكثر مرونة وتكيّفًا، وبالتالي تحسين الأداء في سيناريوهات متنوعة.

• مفاضلة مُحسَّنة بين الدقة والسرعة: غالباً ما تسير السرعة والدقة في اتجاهين متعاكسين. لكن YOLOv5u يتحدى هذه المفاضلة. فهو يوفر توازنًا مُعايَرًا، مما يضمن اكتشافات في الوقت الفعلي دون المساومة على الدقة. هذه الميزة لا تُقدّر بثمن بشكل خاص للتطبيقات التي تتطلب استجابات سريعة، مثل المركبات ذاتية القيادة والروبوتات وتحليلات الفيديو في الوقت الفعلي.

• مجموعة متنوعة من النماذج المدربة مسبقاً: إدراكًا من YOLOv5u أن المهام المختلفة تتطلب مجموعات أدوات مختلفة، يوفر لك YOLOv5u عددًا كبيرًا من النماذج المُدربة مسبقًا. وسواء كنت تركز على الاستدلال أو التحقق من الصحة أو التدريب، فهناك نموذج مخصص في انتظارك. يضمن لك هذا التنوع أنك لا تستخدم فقط حلاً واحدًا يناسب الجميع، بل نموذجًا تم ضبطه خصيصًا لمواجهة التحدي الفريد الذي تواجهه.

المهام والأوضاع المدعومة

تتفوق نماذج YOLOv5u، ذات الأوزان المختلفة المدربة مسبقًا، في مهام اكتشاف الكائنات. فهي تدعم مجموعة شاملة من الأوضاع، مما يجعلها مناسبة لتطبيقات متنوعة، بدءًا من التطوير وحتى النشر.

يقدم هذا الجدول نظرة عامة مفصلة على متغيرات نموذج YOLOv5u، مع تسليط الضوء على إمكانية تطبيقها في مهام الكشف عن الكائنات ودعمها لمختلف الأوضاع التشغيلية مثل الاستدلال والتحقق من الصحة والتدريب والتصدير. يضمن هذا الدعم الشامل أن يتمكن المستخدمون من الاستفادة الكاملة من إمكانيات نماذج YOLOv5u في مجموعة واسعة من سيناريوهات اكتشاف الأجسام.

مقاييس الأداء

أمثلة على الاستخدام

يوفر هذا المثال أمثلة بسيطة للتدريب والاستدلال YOLOv5 . للحصول على وثائق كاملة حول هذه الأوضاع وغيرها من الأوضاع، راجع صفحات مستندات التنبؤ والتدريب والتقييم والتصدير.

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")

# 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 والتقدير

إذا كنت تستخدم YOLOv5 أو YOLOv5u في بحثك، يرجى الاستشهاد بمستودع Ultralytics YOLOv5 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 أنه يتم توفير نماذج YOLOv5 بموجب AGPL-3.0 وتراخيص المؤسسات.

الأسئلة الشائعة

ما هو Ultralytics YOLOv5u وكيف يختلف عن YOLOv5 ؟

Ultralytics YOLOv5u هو إصدار متقدم من YOLOv5 ، يدمج الرأس المنفصل الخالي من المرساة والخالي من الأجسام الذي يعزز مقايضة الدقة والسرعة لمهام اكتشاف الأجسام في الوقت الفعلي. على عكس YOLOv5 التقليدي، يتبنى YOLOv5u آلية الكشف الخالية من المرساة، مما يجعله أكثر مرونة وقدرة على التكيف في سيناريوهات متنوعة. لمزيد من المعلومات التفصيلية عن ميزاته، يمكنك الرجوع إلى YOLOv5 نظرة عامة.

كيف يحسّن رأس Ultralytics الخالي من المرساة أداء اكتشاف الأجسام في YOLOv5u؟

يحسّن رأس Ultralytics الخالي من المراسي في YOLOv5u أداء اكتشاف الأجسام من خلال التخلص من الاعتماد على مربعات الارتكاز المحددة مسبقًا. وينتج عن ذلك آلية كشف أكثر مرونة وتكيّفًا يمكنها التعامل مع مختلف أحجام الأجسام وأشكالها بكفاءة أكبر. يساهم هذا التحسين بشكل مباشر في تحقيق مفاضلة متوازنة بين الدقة والسرعة، مما يجعل YOLOv5u مناسبًا للتطبيقات في الوقت الفعلي. تعرف على المزيد حول بنيته في قسم الميزات الرئيسية.

هل يمكنني استخدام نماذج YOLOv5u المدربة مسبقًا لمهام وأوضاع مختلفة؟

نعم، يمكنك استخدام نماذج YOLOv5u المدربة مسبقًا لمختلف المهام مثل اكتشاف الكائنات. تدعم هذه النماذج أوضاعًا متعددة، بما في ذلك الاستدلال والتحقق من الصحة والتدريب والتصدير. تسمح هذه المرونة للمستخدمين بالاستفادة من إمكانيات نماذج YOLOv5u عبر متطلبات تشغيلية مختلفة. للحصول على نظرة عامة مفصلة، راجع قسم المهام والأوضاع المدعومة.

كيف تقارن مقاييس أداء نماذج YOLOv5u على منصات مختلفة؟

تختلف مقاييس أداء نماذج YOLOv5u باختلاف المنصة والأجهزة المستخدمة. على سبيل المثال، يحقق نموذج YOLOv5nu سرعة 34.3 ميجابايت على مجموعة بيانات COCO بسرعة 73.6 مللي ثانية على CPU (ONNX) و1.06 مللي ثانية على A100 TensorRT. يمكن العثور على مقاييس الأداء التفصيلية لنماذج YOLOv5u المختلفة في قسم مقاييس الأداء، والذي يوفر مقارنة شاملة عبر مختلف الأجهزة.

كيف يمكنني تدريب نموذج YOLOv5u باستخدام واجهة برمجة التطبيقات Ultralytics Python ؟

يمكنك تدريب نموذج YOLOv5u عن طريق تحميل نموذج مُدرَّب مسبقًا وتشغيل أمر التدريب باستخدام مجموعة البيانات الخاصة بك. إليك مثال سريع:

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)

# 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

للمزيد من الإرشادات التفصيلية، قم بزيارة قسم أمثلة الاستخدام.

📅 تم إنشاؤها منذ 1 سنة مضت ✏️ تم التحديث منذ 1 شهر

التعليقات