Ultralytics YOLOv5#

Présentation#

YOLOv5u représente une avancée dans les méthodes de détection d’objets. Issu de l’architecture fondamentale du modèle YOLOv5 développé par Ultralytics, YOLOv5u intègre une tête séparée sans ancres ni score d’objectness, une fonctionnalité 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 de ses fonctionnalités dérivées, YOLOv5u constitue une solution efficace pour les personnes qui recherchent des solutions robustes dans les applications de recherche comme dans les applications pratiques.

Fonctionnalités clés#

• Tête séparée Ultralytics sans ancres : Les modèles traditionnels de détection d’objets s’appuient sur des boîtes d’ancrage prédéfinies pour prédire la position des objets. Cependant, YOLOv5u modernise cette approche. En adoptant une tête séparée Ultralytics sans ancres, il garantit un mécanisme de détection plus flexible et adaptatif, ce qui améliore les performances dans divers scénarios.

• Compromis précision-vitesse optimisé : La vitesse et la précision évoluent souvent en sens opposés. Mais YOLOv5u remet en question ce compromis. Il offre un équilibre ajusté qui garantit des détections en temps réel sans compromettre la précision. Cette fonctionnalité est particulièrement précieuse pour les applications qui exigent des réponses rapides, comme les véhicules autonomes, la robotique et l’analyse vidéo en temps réel.

• Variété de modèles préentraînés : Comme les différentes tâches nécessitent des outils différents, YOLOv5u fournit une vaste sélection 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 garantit que tu n’utilises pas simplement une solution universelle, mais un modèle spécifiquement ajusté à ton problème particulier.

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 un large éventail de modes, ce qui les rend adaptés à diverses applications, du développement au déploiement.

Ce tableau présente une vue d’ensemble détaillée des variantes du modèle YOLOv5u, en mettant en évidence leur applicabilité aux tâches de détection d’objets et leur prise en charge de différents modes opérationnels tels que l’inférence, la validation, l’entraînement et l’export. Cette prise en charge complète garantit que tu peux exploiter pleinement les capacités des modèles YOLOv5u dans un large éventail de scénarios de détection d’objets.

Métriques de performance#

Exemples d’utilisation#

Cet exemple fournit des exemples simples d’entraînement et d’inférence avec YOLOv5. Pour consulter la documentation complète sur ces modes et les autres, consulte les pages de documentation Prédiction, Entraînement, Validation et Export.

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")

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 fournis sous les licences AGPL-3.0 et Enterprise.

FAQ#