Ultralytics YOLOv5#

Übersicht#

YOLOv5u stellt eine Weiterentwicklung von Methoden zur Objekterkennung dar. YOLOv5u basiert auf der grundlegenden Architektur des von Ultralytics entwickelten YOLOv5-Modells und integriert den ankerfreien, objektivitätsfreien geteilten Kopf, eine Funktion, die zuvor in den YOLOv8-Modellen eingeführt wurde. Diese Anpassung verfeinert die Modellarchitektur und führt zu einem verbesserten Verhältnis zwischen Genauigkeit und Geschwindigkeit bei Aufgaben der Objekterkennung. Aufgrund der empirischen Ergebnisse und der daraus abgeleiteten Merkmale bietet YOLOv5u eine effiziente Alternative für alle, die robuste Lösungen sowohl für die Forschung als auch für praktische Anwendungen suchen.

Wichtige Funktionen#

• Ankerfreier geteilter Ultralytics-Kopf: Herkömmliche Modelle zur Objekterkennung verwenden vordefinierte Ankerboxen, um Objektpositionen vorherzusagen. YOLOv5u modernisiert diesen Ansatz jedoch. Durch die Verwendung eines ankerfreien geteilten Ultralytics-Kopfs wird ein flexiblerer und anpassungsfähigerer Erkennungsmechanismus gewährleistet, wodurch die Leistung in vielfältigen Szenarien verbessert wird.

• Optimiertes Verhältnis zwischen Genauigkeit und Geschwindigkeit: Geschwindigkeit und Genauigkeit stehen häufig im Widerspruch zueinander. YOLOv5u stellt dieses Verhältnis jedoch infrage. Es bietet ein ausgewogenes Verhältnis und ermöglicht Erkennungen in Echtzeit, ohne die Genauigkeit zu beeinträchtigen. Diese Funktion ist besonders wertvoll für Anwendungen, die schnelle Reaktionen erfordern, etwa autonome Fahrzeuge, Robotik und Videoanalyse in Echtzeit.

• Vielfalt an vortrainierten Modellen: Da unterschiedliche Aufgaben unterschiedliche Werkzeuge erfordern, bietet YOLOv5u eine große Auswahl an vortrainierten Modellen. Unabhängig davon, ob du dich auf Inferenz, Validierung oder Training konzentrierst – es steht ein maßgeschneidertes Modell für dich bereit. Diese Vielfalt stellt sicher, dass du nicht einfach eine Lösung für alle Anwendungsfälle verwendest, sondern ein Modell, das speziell auf deine individuelle Herausforderung abgestimmt ist.

Unterstützte Aufgaben und Modi#

Die YOLOv5u-Modelle mit verschiedenen vortrainierten Gewichtungen eignen sich hervorragend für Aufgaben der Objekterkennung. Sie unterstützen ein umfassendes Spektrum an Modi und sind damit für vielfältige Anwendungen von der Entwicklung bis zur Bereitstellung geeignet.

Diese Tabelle bietet einen detaillierten Überblick über die Varianten des YOLOv5u-Modells und zeigt deren Eignung für Aufgaben der Objekterkennung sowie die Unterstützung verschiedener Betriebsmodi wie Inferenz, Validierung, Training und Export. Diese umfassende Unterstützung stellt sicher, dass du die Möglichkeiten der YOLOv5u-Modelle in einer Vielzahl von Szenarien zur Objekterkennung vollständig nutzen kannst.

Leistungsmetriken#

Verwendungsbeispiele#

Dieses Beispiel zeigt einfache Beispiele für das Training und die Inferenz mit YOLOv5. Eine vollständige Dokumentation dieser und anderer Modi findest du auf den Dokumentationsseiten zu Predict, Train, Val und Export.

from ultralytics import YOLO

# Load a COCO-pretrained YOLOv5nu model
model = YOLO("yolov5nu.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 YOLOv5nu 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 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.

FAQ#