Ultralytics YOLOv5#

Descripción general#

YOLOv5u representa un avance en las metodologías de detección de objetos. Basado en la arquitectura fundacional del modelo YOLOv5 desarrollado por Ultralytics, YOLOv5u integra la cabeza dividida sin anclajes y sin objetualidad, una característica introducida anteriormente en los modelos YOLOv8. Esta adaptación perfecciona la arquitectura del modelo, lo que da lugar a un equilibrio mejorado entre precisión y velocidad en tareas de detección de objetos. Dados los resultados empíricos y sus características derivadas, YOLOv5u ofrece una alternativa eficiente para quienes buscan soluciones sólidas tanto en investigación como en aplicaciones prácticas.

Características principales#

• Cabeza dividida de Ultralytics sin anclajes: los modelos tradicionales de detección de objetos dependen de 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, mejorando así el rendimiento en diversos escenarios.

• Equilibrio optimizado entre precisión y velocidad: la velocidad y la precisión suelen ir en direcciones opuestas. Sin embargo, YOLOv5u cuestiona este equilibrio. Ofrece un balance calibrado que garantiza detecciones en tiempo real sin comprometer la precisión. Esta característica resulta 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: al entender que las distintas tareas requieren diferentes conjuntos de herramientas, YOLOv5u proporciona una gran variedad de modelos preentrenados. Tanto si te centras en la inferencia como en la validación o el entrenamiento, hay un modelo hecho a medida esperándote. Esta variedad garantiza que no utilices simplemente una solución universal, sino un modelo ajustado específicamente para tu desafío concreto.

Tareas y modos compatibles#

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

Esta tabla ofrece una descripción detallada de las variantes del modelo YOLOv5u y destaca su aplicabilidad en tareas de detección de objetos, así como la compatibilidad con diversos modos operativos, como inferencia, validación, entrenamiento y exportación. Esta compatibilidad integral garantiza que puedas aprovechar plenamente 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

# 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")

Citas y agradecimientos#

Si utilizas 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 proporcionan bajo las licencias AGPL-3.0 y Enterprise.

Preguntas frecuentes#