Ultralytics YOLOv5#

Présentation#

YOLOv5u représente une avancée dans les méthodes de détection d’objets. Issue de l’architecture de base du modèle YOLOv5 développé par Ultralytics, YOLOv5u intègre une tête découplée sans ancres et sans objectness, une caractéristique introduite précédemment dans les modèles YOLOv8. Cette adaptation affine l’architecture du modèle et améliore le compromis entre précision et vitesse pour les tâches de détection d’objets. Au vu des résultats empiriques et des caractéristiques qui en découlent, YOLOv5u constitue une solution efficace pour celles et ceux qui recherchent des solutions robustes, tant pour la recherche que pour les applications pratiques.

Fonctionnalités clés#

• Tête Ultralytics découplée sans ancres : Les modèles traditionnels de détection d’objets s’appuient sur des boîtes d’ancrage prédéfinies pour prédire l’emplacement des objets. YOLOv5u modernise toutefois cette approche. En adoptant une tête Ultralytics découplée sans ancres, le modèle garantit un mécanisme de détection plus flexible et adaptatif, ce qui améliore ses performances dans divers scénarios.

• Compromis précision-vitesse optimisé : Vitesse et précision sont souvent antagonistes. YOLOv5u remet toutefois ce compromis en question. Il offre un équilibre ajusté, permettant des détections en temps réel sans compromettre la précision. Cette caractéristique est particulièrement précieuse pour les applications qui exigent des réponses rapides, comme les véhicules autonomes, la robotique et l’analyse vidéo en temps réel.

• Diversité de modèles préentraînés : Comme différentes tâches nécessitent différents outils, YOLOv5u propose une vaste gamme de modèles préentraînés. Que tu te concentres sur l’inférence, la validation ou l’entraînement, un modèle adapté à tes besoins t’attend. Cette variété te permet d’éviter les solutions universelles et d’utiliser un modèle spécifiquement ajusté à ton défi.

Tâches et modes pris en charge#

Les modèles YOLOv5u, avec leurs différents poids préentraînés, excellent dans les tâches de détection d’objets. Ils prennent en charge une gamme complète de modes, ce qui les rend adaptés à diverses applications, du développement au déploiement.

Ce tableau présente un aperçu détaillé des variantes du modèle YOLOv5u, en soulignant leur pertinence pour les tâches de détection d’objets et leur prise en charge de divers modes opérationnels, tels que l’inférence, la validation, l’entraînement et l’exportation. Cette prise en charge complète permet aux utilisateurs d’exploiter pleinement les capacités des modèles YOLOv5u dans un large éventail de scénarios de détection d’objets.

Indicateurs de performance#

Exemples d'utilisation#

Cet exemple présente des exemples simples d’entraînement et d’inférence YOLOv5. Pour consulter la documentation complète sur ces modes et les autres modes, consulte les pages de documentation Predict, Train, Val et Export.

from ultralytics import YOLO

# Charger un modèle YOLOv5nu préentraîné sur COCO
model = YOLO("yolov5nu.pt")

# Afficher les informations du modèle (facultatif)
model.info()

# Entraîner le modèle sur le jeu de données d'exemple COCO8 pendant 100 époques
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Exécuter l’inférence avec le modèle YOLOv5nu sur l’image « bus.jpg »
results = model("path/to/bus.jpg")

Citations et remerciements#

Si tu utilises YOLOv5 ou YOLOv5u dans tes recherches, cite le dépôt Ultralytics YOLOv5 comme suit :

@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}
}

Note que les modèles YOLOv5 sont proposés sous les licences AGPL-3.0 et Enterprise.

FAQ#