Ultralytics YOLOv5#

Übersicht#

YOLOv5u repräsentiert einen Fortschritt bei object detection-Methoden. Abgeleitet von der zugrundeliegenden Architektur des von Ultralytics entwickelten YOLOv5-Modells, integriert YOLOv5u den ankerfreien, objectness-freien Split-Head – ein Feature, das zuvor in den YOLOv8-Modellen eingeführt wurde. Diese Anpassung verfeinert die Modellarchitektur und führt zu einem verbesserten Genauigkeits-Geschwindigkeits-Kompromiss bei Objekterkennungsaufgaben. Angesichts der empirischen Ergebnisse und seiner abgeleiteten Funktionen bietet YOLOv5u eine effiziente Alternative für alle, die robuste Lösungen sowohl in der Forschung als auch in praktischen Anwendungen suchen.

Hauptfunktionen#

• Ankerfreier geteilter Ultralytics-Head: Herkömmliche Objekterkennungsmodelle stützen sich auf vordefinierte Ankerboxen, um Objektpositionen vorherzusagen. YOLOv5u modernisiert diesen Ansatz jedoch. Durch die Verwendung eines ankerfreien geteilten Ultralytics-Heads wird ein flexiblerer und anpassungsfähigerer Erkennungsmechanismus sichergestellt, wodurch die Leistung in verschiedenen Szenarien verbessert wird.

• Optimized Accuracy-Speed Tradeoff: Geschwindigkeit und Genauigkeit stehen oft in entgegengesetzter Richtung. Aber YOLOv5u fordert diesen Kompromiss heraus. Es bietet eine kalibrierte Balance, die Echtzeiterkennungen ohne Kompromisse bei der Genauigkeit gewährleistet. Diese Funktion ist besonders wertvoll für Anwendungen, die schnelle Reaktionen erfordern, wie autonomous vehicles, robotics und Echtzeit-Videoanalysen.

• Vielzahl an vortrainierten Modellen: Da wir wissen, dass unterschiedliche Aufgaben verschiedene Toolsets erfordern, bietet YOLOv5u eine Fülle an vortrainierten Modellen. Egal, ob du dich auf Inferenz, Validierung oder Training konzentrierst, es wartet ein maßgeschneidertes Modell auf dich. Diese Vielfalt stellt sicher, dass du nicht nur eine Einheitslösung verwendest, sondern ein Modell, das speziell für deine individuelle Herausforderung optimiert wurde.

Unterstützte Aufgaben und Modi#

Die YOLOv5u-Modelle mit verschiedenen vortrainierten Gewichten zeichnen sich bei Object Detection-Aufgaben aus. Sie unterstützen eine Vielzahl von Modi und eignen sich daher für unterschiedlichste Anwendungen, von der Entwicklung bis zur Bereitstellung.

Diese Tabelle bietet eine detaillierte Übersicht über die YOLOv5u-Modellvarianten und hebt deren Anwendbarkeit bei Objekterkennungsaufgaben sowie die Unterstützung für verschiedene Betriebsmodi wie Inference, Validation, Training und Export hervor. Diese umfassende Unterstützung stellt sicher, dass du die Funktionen von YOLOv5u-Modellen in einer Vielzahl von Objekterkennungsszenarien voll ausschöpfen kannst.

Leistungsmetriken#

Anwendungsbeispiele#

Dieses Beispiel bietet einfache YOLOv5-Trainings- und Inferenzbeispiele. Vollständige Dokumentationen zu diesen und anderen modes findest du auf den Dokumentationsseiten zu Predict, Train, Val und Export.

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")

Zitate und Danksagungen#

Wenn du YOLOv5 oder YOLOv5u in deiner Forschung verwendest, zitiere das Ultralytics YOLOv5-Repository bitte wie folgt:

@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}
}

Bitte beachte, dass YOLOv5-Modelle unter AGPL-3.0- und Enterprise-Lizenzen bereitgestellt werden.

FAQ#