Link to this sectionUltralytics YOLOv5#

Link to this sectionPrésentation#

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 scindée sans ancres et sans objectness, une fonctionnalité précédemment introduite dans les modèles YOLOv8. Cette adaptation affine l'architecture du modèle, conduisant à un meilleur compromis précision-vitesse dans les tâches de détection d'objets. Compte tenu des résultats empiriques et des fonctionnalités dérivées, YOLOv5u constitue une alternative efficace pour ceux qui recherchent des solutions robustes, tant pour la recherche que pour les applications pratiques.

Link to this sectionFonctionnalités 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 tirent souvent dans des directions opposées. Mais YOLOv5u remet en question ce compromis. Il offre un équilibre calibré, garantissant des détections en temps réel sans compromettre la précision. Cette fonctionnalité est particulièrement précieuse pour les applications exigeant 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.

Link to this sectionTâches et modes pris en charge#

Les modèles YOLOv5u, dotés de divers poids pré-entraînés, excellent dans les tâches de détection d'objets. Ils prennent en charge une gamme complète de modes, les rendant adaptés à diverses applications, du développement au déploiement.

Ce tableau fournit un aperçu détaillé des variantes du modèle YOLOv5u, soulignant leur applicabilité dans les tâches de détection d'objets et la prise en charge de divers modes opérationnels tels que l'inférence, la validation, l'entraînement et l'exportation. Ce support complet garantit que les utilisateurs peuvent exploiter pleinement les capacités des modèles YOLOv5u dans une large gamme de scénarios de détection d'objets.

Link to this sectionMétriques de performance#

Link to this sectionExemples d'utilisation#

Cet exemple fournit des exemples simples d'entraînement et d'inférence YOLOv5. Pour une documentation complète sur ces modes et d'autres modes, 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")

Link to this sectionCitations 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}
}

Veuillez noter que les modèles YOLOv5 sont fournis sous les licences AGPL-3.0 et Enterprise.

Link to this sectionFAQ#

Link to this sectionQu'est-ce qu'Ultralytics YOLOv5u et en quoi diffère-t-il de YOLOv5 ?#

Ultralytics YOLOv5u est une version avancée de YOLOv5, intégrant la tête scindée sans ancres et sans objectness qui améliore le compromis précision-vitesse pour les tâches de détection d'objets en temps réel. Contrairement au YOLOv5 traditionnel, YOLOv5u adopte un mécanisme de détection sans ancres, le rendant plus flexible et adaptatif dans divers scénarios. Pour des informations plus détaillées sur ses fonctionnalités, tu peux te référer à la présentation de YOLOv5.

Link to this sectionComment la tête Ultralytics sans ancres améliore-t-elle les performances de détection d'objets dans YOLOv5u ?#

La tête Ultralytics sans ancres dans YOLOv5u améliore les performances de détection d'objets en éliminant la dépendance aux boîtes d'ancrage prédéfinies. Cela aboutit à un mécanisme de détection plus flexible et adaptatif qui peut gérer diverses tailles et formes d'objets avec une plus grande efficacité. Cette amélioration contribue directement à un compromis équilibré entre précision et vitesse, rendant YOLOv5u adapté aux applications en temps réel. Apprends-en davantage sur son architecture dans la section Fonctionnalités clés.

Link to this sectionPuis-je utiliser des modèles YOLOv5u pré-entraînés pour différentes tâches et modes ?#

Oui, tu peux utiliser des modèles YOLOv5u pré-entraînés pour diverses tâches telles que la détection d'objets. Ces modèles prennent en charge plusieurs modes, y compris l'inférence, la validation, l'entraînement et l'exportation. Cette flexibilité permet aux utilisateurs d'exploiter les capacités des modèles YOLOv5u pour différentes exigences opérationnelles. Pour un aperçu détaillé, consulte la section Tâches et modes pris en charge.

Link to this sectionComment les métriques de performance des modèles YOLOv5u se comparent-elles sur différentes plateformes ?#

Les métriques de performance des modèles YOLOv5u varient en fonction de la plateforme et du matériel utilisés. Par exemple, le modèle YOLOv5nu atteint un mAP de 34,3 sur le jeu de données COCO avec une vitesse de 73,6 ms sur CPU (ONNX) et 1,06 ms sur A100 TensorRT. Des métriques de performance détaillées pour différents modèles YOLOv5u peuvent être trouvées dans la section Métriques de performance, qui fournit une comparaison complète sur divers appareils.

Link to this sectionComment puis-je entraîner un modèle YOLOv5u en utilisant l'API Python d'Ultralytics ?#

Tu peux entraîner un modèle YOLOv5u en chargeant un modèle pré-entraîné et en exécutant la commande d'entraînement avec ton jeu de données. Voici un exemple rapide :

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)

Pour des instructions plus détaillées, visite la section Exemples d'utilisation.