YOLOv5

Visión general

YOLOv5u representa un avance en las metodologías de detección de objetos. Partiendo de la arquitectura fundacional del YOLOv5 modelo desarrollado por Ultralytics, YOLOv5u integra la cabeza dividida sin anclajes ni objetos, una característica introducida anteriormente en los YOLOv8 modelos. Esta adaptación perfecciona la arquitectura del modelo, lo que permite mejorar la relación precisión-velocidad en las tareas de detección de objetos. Dados los resultados empíricos y sus características derivadas, YOLOv5u proporciona una alternativa eficaz para quienes buscan soluciones robustas tanto en investigación como en aplicaciones prácticas.

Características principales

• Cabeza dividida sin anclajes Ultralytics : 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 un cabezal dividido Ultralytics sin anclajes, garantiza un mecanismo de detección más flexible y adaptable, lo que mejora el rendimiento en diversos escenarios.

• Compromiso Optimizado Precisión-Velocidad: La velocidad y la precisión suelen ir en direcciones opuestas. Pero YOLOv5u desafía este compromiso. Ofrece un equilibrio calibrado, garantizando detecciones en tiempo real sin comprometer la precisión. Esta característica es especialmente valiosa para aplicaciones que exigen respuestas rápidas, como vehículos autónomos, robótica y análisis de vídeo en tiempo real.

• Variedad de modelos preentrenados: Entendiendo que diferentes tareas requieren diferentes conjuntos de herramientas, YOLOv5u proporciona una plétora de modelos preentrenados. Tanto si te centras en la Inferencia, la Validación o el Entrenamiento, hay un modelo a tu medida esperándote. Esta variedad garantiza que no utilices una solución única para todos, sino un modelo ajustado específicamente a tu reto particular.

Tareas y modos admitidos

Los modelos YOLOv5u, con varios pesos preentrenados, destacan en las tareas de Detección de Objetos. Admiten una amplia gama de modos, lo que los hace adecuados para diversas aplicaciones, desde el desarrollo hasta el despliegue.

Esta tabla proporciona una visión detallada de las variantes del modelo YOLOv5u, destacando su aplicabilidad en tareas de detección de objetos y su compatibilidad con diversos modos operativos, como Inferencia, Validación, Entrenamiento y Exportación. Este completo soporte garantiza que los usuarios puedan aprovechar plenamente las capacidades de los modelos YOLOv5u en una amplia gama de escenarios de detección de objetos.

Métricas de rendimiento

Ejemplos de uso

Este ejemplo proporciona ejemplos sencillos de entrenamiento e inferencia de YOLOv5 . Para obtener documentación completa sobre estos y otros modos, consulta las páginas de documentación Predecir, Entrenar, Val y Exportar.

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")

# 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

Citas y agradecimientos

Si utilizas YOLOv5 o YOLOv5u en tu investigación, cita el repositorio 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 AGPL-3.0 y Enterprise.

PREGUNTAS FRECUENTES

¿Qué es Ultralytics YOLOv5u y en qué se diferencia de YOLOv5?

Ultralytics YOLOv5u es una versión avanzada de YOLOv5, que integra el cabezal dividido sin anclajes y sin objetos, que mejora el equilibrio precisión-velocidad para las tareas de detección de objetos en tiempo real. A diferencia del tradicional YOLOv5, YOLOv5u adopta un mecanismo de detección sin anclajes, que lo hace más flexible y adaptable en diversos escenarios. Para obtener información más detallada sobre sus características, puedes consultar la Visión general deYOLOv5 .

¿Cómo mejora el cabezal Ultralytics sin anclajes el rendimiento de la detección de objetos en YOLOv5u?

El cabezal Ultralytics sin anclajes de YOLOv5u mejora el rendimiento de la detección de objetos al eliminar la dependencia de los cuadros de anclaje predefinidos. El resultado es un mecanismo de detección más flexible y adaptable que puede manejar diversos tamaños y formas de objetos con mayor eficacia. Esta mejora contribuye directamente a un compromiso equilibrado entre precisión y velocidad, lo que hace que YOLOv5u sea adecuado para aplicaciones en tiempo real. Más información sobre su arquitectura en la sección Características principales.

¿Puedo utilizar modelos YOLOv5u preentrenados para diferentes tareas y modos?

Sí, puedes utilizar modelos YOLOv5u preentrenados para diversas tareas, como la Detección de Objetos. Estos modelos admiten varios modos, como Inferencia, Validación, Entrenamiento y Exportación. Esta flexibilidad permite a los usuarios aprovechar las capacidades de los modelos YOLOv5u en diferentes requisitos operativos. Para una visión general detallada, consulta la sección Tareas y Modos Soportados.

¿Cómo se comparan las métricas de rendimiento de los modelos YOLOv5u en diferentes plataformas?

Las métricas de rendimiento de los modelos YOLOv5u varían en función de la plataforma y el hardware utilizados. Por ejemplo, el modelo YOLOv5nu alcanza un mAP de 34,3 en el conjunto de datos COCO con una velocidad de 73,6 ms en CPU (ONNX) y de 1,06 ms en A100 TensorRT. Puedes encontrar métricas de rendimiento detalladas para diferentes modelos YOLOv5u en la sección Métricas de rendimiento, que proporciona una comparación exhaustiva entre varios dispositivos.

¿Cómo puedo entrenar un modelo YOLOv5u utilizando la API Ultralytics Python ?

Puedes entrenar un modelo YOLOv5u cargando un modelo preentrenado y ejecutando el comando de entrenamiento con tu conjunto de datos. Aquí tienes un ejemplo rápido:

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)

# 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

Para obtener instrucciones más detalladas, visita la sección Ejemplos de uso.

Comentarios