Ultralytics YOLOv5#

Descripción general#

YOLOv5u representa un avance en las metodologías de detección de objetos. Derivado de la arquitectura fundamental del modelo YOLOv5 desarrollado por Ultralytics, YOLOv5u integra la cabeza dividida sin anclajes y sin predicción de presencia de objetos, una característica introducida anteriormente en los modelos YOLOv8. Esta adaptación perfecciona la arquitectura del modelo y logra un mejor equilibrio entre precisión y velocidad en las tareas de detección de objetos. A partir de los resultados empíricos y las características derivadas, YOLOv5u ofrece una alternativa eficiente para quienes buscan soluciones sólidas tanto para la investigación como para aplicaciones prácticas.

Características principales#

• Cabeza dividida de Ultralytics sin anclajes: Los modelos tradicionales de detección de objetos se basan en cajas de anclaje predefinidas para predecir la ubicación de los objetos. Sin embargo, YOLOv5u moderniza este enfoque. Al adoptar una cabeza dividida de Ultralytics sin anclajes, garantiza un mecanismo de detección más flexible y adaptable y, por tanto, mejora el rendimiento en diversos escenarios.

• Equilibrio optimizado entre precisión y velocidad: La velocidad y la precisión suelen ser contrapuestas. Pero YOLOv5u desafía este equilibrio. Ofrece un balance calibrado que garantiza detecciones en tiempo real sin sacrificar precisión. Esta característica es especialmente valiosa para aplicaciones que requieren respuestas rápidas, como los vehículos autónomos, la robótica y el análisis de vídeo en tiempo real.

• Variedad de modelos preentrenados: Como cada tarea requiere herramientas distintas, YOLOv5u ofrece una gran variedad de modelos preentrenados. Tanto si te centras en la inferencia como en la validación o el entrenamiento, tienes a tu disposición un modelo hecho a medida. Esta variedad garantiza que no uses una solución única para todo, sino un modelo ajustado específicamente a tu reto.

Tareas y modos compatibles#

Los modelos YOLOv5u, con diversos pesos preentrenados, destacan en tareas de detección de objetos. Admiten una amplia gama de modos, por lo que son adecuados para diversas aplicaciones, desde el desarrollo hasta la implementación.

Esta tabla ofrece una descripción detallada de las variantes del modelo YOLOv5u y destaca su aplicabilidad en tareas de detección de objetos y la compatibilidad con varios modos operativos, como inferencia, validación, entrenamiento y exportación. Esta compatibilidad integral garantiza que los usuarios puedan aprovechar al máximo las capacidades de los modelos YOLOv5u en una amplia variedad de escenarios de detección de objetos.

Métricas de rendimiento#

Ejemplos de uso#

Este ejemplo ofrece ejemplos sencillos de entrenamiento e inferencia con YOLOv5. Para consultar la documentación completa sobre estos y otros modos, visita las páginas de documentación de predicción, entrenamiento, validación y exportación.

from ultralytics import YOLO

# Carga un modelo YOLOv5nu preentrenado con COCO
model = YOLO("yolov5nu.pt")

# Mostrar información del modelo (opcional)
model.info()

# Entrena el modelo durante 100 épocas con el conjunto de datos de ejemplo COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Ejecuta la inferencia con el modelo YOLOv5nu en la imagen 'bus.jpg'
results = model("path/to/bus.jpg")

Citas y agradecimientos#

Si usas YOLOv5 o YOLOv5u en tu investigación, cita el repositorio de Ultralytics YOLOv5 de la siguiente manera:

@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}
}

Ten en cuenta que los modelos YOLOv5 se ofrecen con licencias AGPL-3.0 y Enterprise.

Preguntas frecuentes#