Ultralytics YOLOv5#

Übersicht#

YOLOv5u stellt einen Fortschritt bei den Methoden zur Objekterkennung dar. Aufbauend auf der grundlegenden Architektur des von Ultralytics entwickelten Modells YOLOv5 integriert YOLOv5u den ankerfreien, objektigkeitsfreien geteilten Kopf, ein Merkmal, das zuvor in den Modellen YOLOv8 eingeführt wurde. Diese Anpassung verfeinert die Modellarchitektur und führt bei Aufgaben zur Objekterkennung zu einem besseren Verhältnis zwischen Genauigkeit und Geschwindigkeit. Aufgrund der empirischen Ergebnisse und der daraus abgeleiteten Merkmale bietet YOLOv5u eine effiziente Alternative für alle, die robuste Lösungen für Forschung und praktische Anwendungen suchen.

Wichtige Funktionen#

• Ankerfreier geteilter Ultralytics-Kopf: Herkömmliche Objekterkennungsmodelle verwenden vordefinierte Ankerboxen, um Objektpositionen vorherzusagen. YOLOv5u modernisiert diesen Ansatz jedoch. Mit einem ankerfreien geteilten Ultralytics-Kopf ermöglicht das Modell einen flexibleren und anpassungsfähigeren Erkennungsmechanismus und verbessert dadurch die Leistung in verschiedenen Szenarien.

• Optimiertes Verhältnis zwischen Genauigkeit und Geschwindigkeit: Geschwindigkeit und Genauigkeit stehen oft im Widerspruch. YOLOv5u stellt dieses Verhältnis jedoch infrage. Das Modell bietet eine ausgewogene Abstimmung und ermöglicht Echtzeiterkennung ohne Einbußen bei der Genauigkeit. Diese Eigenschaft ist besonders wertvoll für Anwendungen, die schnelle Reaktionen erfordern, etwa autonome Fahrzeuge, Robotik und die Videoanalyse in Echtzeit.

• Vielfalt an vortrainierten Modellen: Da unterschiedliche Aufgaben unterschiedliche Werkzeuge erfordern, bietet YOLOv5u eine große Auswahl vortrainierter Modelle. Ob du dich auf Inferenz, Validierung oder Training konzentrierst – das passende Modell steht bereit. So verwendest du nicht einfach eine Einheitslösung, sondern ein Modell, das speziell auf deine individuelle Herausforderung abgestimmt ist.

Unterstützte Aufgaben und Modi#

Die YOLOv5u-Modelle mit ihren verschiedenen vortrainierten Gewichten eignen sich hervorragend für Aufgaben der Objekterkennung. Sie unterstützen eine umfassende Auswahl an Modi und eignen sich damit für vielfältige Anwendungen – von der Entwicklung bis zur Bereitstellung.

Diese Tabelle bietet einen detaillierten Überblick über die Varianten des YOLOv5u-Modells und zeigt ihre Eignung für Aufgaben der Objekterkennung sowie die Unterstützung verschiedener Betriebsmodi wie Inferenz, Validierung, Training und Export. Dank dieser umfassenden Unterstützung können Nutzer die Fähigkeiten der YOLOv5u-Modelle in einer Vielzahl von Szenarien zur Objekterkennung voll ausschöpfen.

Leistungskennzahlen#

Anwendungsbeispiele#

Dieses Beispiel enthält einfache Beispiele für YOLOv5-Training und -Inferenz. Die vollständige Dokumentation zu diesen und weiteren Modi findest du auf den Dokumentationsseiten zu Vorhersage, Training, Validierung und Export.

from ultralytics import YOLO

# Ein mit COCO vortrainiertes YOLOv5nu-Modell laden
model = YOLO("yolov5nu.pt")

# Modellinformationen anzeigen (optional)
model.info()

# Das Modell 100 Epochen lang mit dem COCO8-Beispieldatensatz trainieren
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Mit dem YOLOv5nu-Modell eine Inferenz auf dem Bild „bus.jpg“ ausführen
results = model("path/to/bus.jpg")

Zitate und Danksagungen#

Wenn du YOLOv5 oder YOLOv5u in deiner Forschung verwendest, zitiere bitte das Ultralytics-YOLOv5-Repository 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 den Lizenzen AGPL-3.0 und Enterprise bereitgestellt werden.

Häufig gestellte Fragen#