Zum Inhalt springen

YOLOv5

Übersicht

YOLOv5u ist ein Fortschritt in der Methodik der Objekterkennung. Ausgehend von der grundlegenden Architektur des YOLOv5 Modells, das von Ultralytics entwickelt wurde, integriert YOLOv5u den verankerungsfreien, objektfreien geteilten Kopf, eine Funktion, die zuvor in den YOLOv8 Modelle. Durch diese Anpassung wird die Architektur des Modells verfeinert, was zu einem verbesserten Kompromiss zwischen Genauigkeit und Geschwindigkeit bei der Objekterkennung fĂŒhrt. Angesichts der empirischen Ergebnisse und der daraus abgeleiteten Merkmale ist YOLOv5u eine effiziente Alternative fĂŒr alle, die sowohl in der Forschung als auch in der Praxis nach robusten Lösungen suchen.

Ultralytics YOLOv5

Hauptmerkmale

  • Ankerfreier Split Ultralytics Head: Herkömmliche Modelle zur Objekterkennung stĂŒtzen sich auf vordefinierte Ankerboxen, um die Position von Objekten vorherzusagen. YOLOv5u modernisiert diesen Ansatz jedoch. Durch die Verwendung eines verankerungsfreien geteilten Ultralytics Kopfes wird ein flexiblerer und anpassungsfĂ€higerer Erkennungsmechanismus geschaffen, der die Leistung in verschiedenen Szenarien verbessert.

  • Optimierter Kompromiss zwischen Genauigkeit und Geschwindigkeit: Geschwindigkeit und Genauigkeit gehen oft in die entgegengesetzte Richtung. Aber YOLOv5u stellt diesen Zielkonflikt in Frage. Es bietet ein ausgewogenes Gleichgewicht, das Echtzeit-Erkennungen gewĂ€hrleistet, ohne Kompromisse bei der Genauigkeit einzugehen. Diese Funktion ist besonders fĂŒr Anwendungen von unschĂ€tzbarem Wert, die schnelle Reaktionen erfordern, wie z. B. autonome Fahrzeuge, Robotik und Echtzeit-Videoanalyse.

  • Eine Vielzahl an vortrainierten Modellen: YOLOv5u ist sich bewusst, dass unterschiedliche Aufgaben unterschiedliche Tools erfordern und bietet daher eine Vielzahl an vortrainierten Modellen. Egal, ob du dich auf Inferenz, Validierung oder Training konzentrierst, es gibt ein maßgeschneidertes Modell, das auf dich wartet. Diese Vielfalt stellt sicher, dass du nicht nur eine Einheitslösung verwendest, sondern ein Modell, das speziell auf deine einzigartige Herausforderung abgestimmt ist.

UnterstĂŒtzte Aufgaben und Modi

Die YOLOv5u-Modelle mit verschiedenen vortrainierten Gewichten eignen sich hervorragend fĂŒr Objekterkennungsaufgaben. Sie unterstĂŒtzen eine breite Palette von Modi und eignen sich daher fĂŒr verschiedene Anwendungen, von der Entwicklung bis zum Einsatz.

Modell Typ Vortrainierte Gewichte Aufgabe Inferenz Validierung Ausbildung exportieren
YOLOv5u yolov5nu, yolov5su, yolov5mu, yolov5lu, yolov5xu, yolov5n6u, yolov5s6u, yolov5m6u, yolov5l6u, yolov5x6u Objekt-Erkennung ✅ ✅ ✅ ✅

Diese Tabelle gibt einen detaillierten Überblick ĂŒber die YOLOv5u-Modellvarianten und hebt ihre Anwendbarkeit bei Objekterkennungsaufgaben sowie die UnterstĂŒtzung fĂŒr verschiedene Betriebsmodi wie Inferenz, Validierung, Training und Export hervor. Diese umfassende UnterstĂŒtzung stellt sicher, dass die Nutzer die FĂ€higkeiten der YOLOv5u-Modelle in einer Vielzahl von Objekterkennungsszenarien voll ausschöpfen können.

Leistungsmetriken

Leistung

In den Detection Docs findest du Anwendungsbeispiele mit diesen Modellen, die auf COCO trainiert wurden und 80 vortrainierte Klassen enthalten.

Modell YAML GrĂ¶ĂŸe
(Pixel)
mAPval
50-95
Geschwindigkeit
CPU ONNX
(ms)
Geschwindigkeit
A100 TensorRT
(ms)
params
(M)
FLOPs
(B)
yolov5nu.pt yolov5n.yaml 640 34.3 73.6 1.06 2.6 7.7
yolov5su.pt yolov5s.yaml 640 43.0 120.7 1.27 9.1 24.0
yolov5mu.pt yolov5m.yaml 640 49.0 233.9 1.86 25.1 64.2
yolov5lu.pt yolov5l.yaml 640 52.2 408.4 2.50 53.2 135.0
yolov5xu.pt yolov5x.yaml 640 53.2 763.2 3.81 97.2 246.4
yolov5n6u.pt yolov5n6.yaml 1280 42.1 211.0 1.83 4.3 7.8
yolov5s6u.pt yolov5s6.yaml 1280 48.6 422.6 2.34 15.3 24.6
yolov5m6u.pt yolov5m6.yaml 1280 53.6 810.9 4.36 41.2 65.7
yolov5l6u.pt yolov5l6.yaml 1280 55.7 1470.9 5.47 86.1 137.4
yolov5x6u.pt yolov5x6.yaml 1280 56.8 2436.5 8.98 155.4 250.7

Verwendungsbeispiele

Dieses Beispiel zeigt einfache YOLOv5 Trainings- und Schlussfolgerungsbeispiele. Die vollstÀndige Dokumentation zu diesen und anderen Modi findest du auf den Seiten Predict, Train, Val und Export docs.

Beispiel

PyTorch vorgebildet *.pt Modelle als auch die Konfiguration *.yaml Dateien können an den YOLO() Klasse, um eine Modellinstanz in python zu erstellen:

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')

CLI Befehle sind verfĂŒgbar, um die Modelle direkt auszufĂŒhren:

# 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

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 die Modelle von YOLOv5 unter AGPL-3.0 und Enterprise-Lizenzen angeboten werden.



Erstellt am 2023-11-12, Aktualisiert am 2024-01-15
Autoren: glenn-jocher (8)

Kommentare