Ultralytics YOLOv5#

YOLOv5

ultralytics

public

Released June 2020. The foundational PyTorch implementation, battle-tested across millions of deployments. Ideal for teams with existing YOLOv5 workflows.

25 models359.3 MBMay 21, 2026

yolov5nuyolov5xuyolov5lu+2

Présentation#

YOLOv5u représente une avancée dans les méthodologies de détection d'objets. Issu de l'architecture fondamentale du modèle YOLOv5 développé par Ultralytics, YOLOv5u intègre la tête divisée sans ancres et sans objectivité, une fonctionnalité introduite précédemment dans les modèles YOLOv8. Cette adaptation affine l'architecture du modèle, conduisant à un compromis précision-vitesse amélioré dans les tâches de détection d'objets. Compte tenu des résultats empiriques et de ses fonctionnalités dérivées, YOLOv5u constitue une alternative efficace pour ceux qui recherchent des solutions robustes tant dans la recherche que dans les applications pratiques.

Fonctionnalités clés#

• Tête scindée Ultralytics sans ancres : Les modèles de détection d'objets traditionnels reposent sur des boîtes d'ancrage prédéfinies pour prédire les emplacements des objets. Cependant, YOLOv5u modernise cette approche. En adoptant une tête scindée Ultralytics sans ancres, il garantit un mécanisme de détection plus flexible et adaptatif, améliorant ainsi les performances dans divers scénarios.

• Compromis précision-vitesse optimisé : La vitesse et la précision vont souvent dans des directions opposées. Mais YOLOv5u remet en question ce compromis. Il offre un équilibre étalonné, garantissant des détections en temps réel sans compromettre la précision. Cette fonctionnalité est particulièrement précieuse pour les applications qui exigent des réponses rapides, telles que les véhicules autonomes, la robotique et l'analyse vidéo en temps réel.

• Variété de modèles pré-entraînés : Comprenant que différentes tâches nécessitent différents outils, YOLOv5u propose une pléthore de modèles pré-entraînés. Que tu te concentres sur l'inférence, la validation ou l'entraînement, un modèle sur mesure t'attend. Cette variété garantit que tu n'utilises pas une solution unique, mais un modèle spécifiquement affiné pour ton défi unique.

Tâches et modes pris en charge#

Les modèles YOLOv5u, dotés de divers poids pré-entraînés, excèlent 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 donne un aperçu détaillé des variantes du modèle YOLOv5u, mettant en évidence leur applicabilité dans 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 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 pour YOLOv5. Pour une documentation complète sur ces modes et d'autres, consulte les pages de documentation Predict, Train, Val et Export.

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")

Citations et remerciements#

Si tu utilises YOLOv5 ou YOLOv5u dans tes recherches, merci de citer 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 licences AGPL-3.0 et Enterprise.

FAQ#