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.

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.

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

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.

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

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 .

الأسئلة المتداولة

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.

التعليقات