सामग्री पर जाएं

YOLOv5

विहंगावलोकन

YOLOv5u ऑब्जेक्ट डिटेक्शन पद्धतियों में प्रगति का प्रतिनिधित्व करता है। की मूलभूत वास्तुकला से उत्पन्न YOLOv5 द्वारा विकसित मॉडल Ultralytics, YOLOv5u एंकर-मुक्त, ऑब्जेक्टनेस-फ्री स्प्लिट हेड को एकीकृत करता है, जो पहले में पेश किया गया एक फीचर था YOLOv8 मॉडल। यह अनुकूलन मॉडल की वास्तुकला को परिष्कृत करता है, जिससे ऑब्जेक्ट डिटेक्शन कार्यों में बेहतर सटीकता-गति ट्रेडऑफ होता है। अनुभवजन्य परिणामों और इसकी व्युत्पन्न विशेषताओं को देखते हुए, YOLOv5u अनुसंधान और व्यावहारिक अनुप्रयोगों दोनों में मजबूत समाधान चाहने वालों के लिए एक कुशल विकल्प प्रदान करता है।

Ultralytics YOLOv5

प्रमुख विशेषताऐं

  • एंकर-फ्री स्प्लिट Ultralytics सिर: पारंपरिक ऑब्जेक्ट डिटेक्शन मॉडल ऑब्जेक्ट स्थानों की भविष्यवाणी करने के लिए पूर्वनिर्धारित एंकर बॉक्स पर भरोसा करते हैं। हालाँकि, YOLOv5u इस दृष्टिकोण का आधुनिकीकरण करता है। एंकर-मुक्त विभाजन को अपनाकर Ultralytics सिर, यह एक अधिक लचीला और अनुकूली पहचान तंत्र सुनिश्चित करता है, जिसके परिणामस्वरूप विविध परिदृश्यों में प्रदर्शन को बढ़ाता है।

  • अनुकूलित सटीकता-गति ट्रेडऑफ़: गति और सटीकता अक्सर विपरीत दिशाओं में खींचती है। लेकिन YOLOv5u इस ट्रेडऑफ़ को चुनौती देता है। यह एक कैलिब्रेटेड संतुलन प्रदान करता है, सटीकता से समझौता किए बिना वास्तविक समय का पता लगाने को सुनिश्चित करता है। यह सुविधा उन अनुप्रयोगों के लिए विशेष रूप से अमूल्य है जो स्वायत्त वाहनों, रोबोटिक्स और रीयल-टाइम वीडियो एनालिटिक्स जैसे त्वरित प्रतिक्रियाओं की मांग करते हैं।

  • पूर्व-प्रशिक्षित मॉडल की विविधता: यह समझते हुए कि विभिन्न कार्यों के लिए अलग-अलग टूलसेट की आवश्यकता होती है, YOLOv5u पूर्व-प्रशिक्षित मॉडल की अधिकता प्रदान करता है। चाहे आप अनुमान, सत्यापन, या प्रशिक्षण पर ध्यान केंद्रित कर रहे हों, एक दर्जी मॉडल आपकी प्रतीक्षा कर रहा है। यह विविधता सुनिश्चित करती है कि आप केवल एक आकार-फिट-सभी समाधान का उपयोग नहीं कर रहे हैं, बल्कि एक मॉडल विशेष रूप से आपकी अनूठी चुनौती के लिए ठीक-ठाक है।

समर्थित कार्य और मोड

YOLOv5u मॉडल, विभिन्न पूर्व-प्रशिक्षित वजन के साथ, ऑब्जेक्ट डिटेक्शन कार्यों में उत्कृष्टता प्राप्त करते हैं। वे मोड की एक विस्तृत श्रृंखला का समर्थन करते हैं, जो उन्हें विकास से लेकर तैनाती तक विविध अनुप्रयोगों के लिए उपयुक्त बनाते हैं।

मॉडल प्रकार पूर्व-प्रशिक्षित वजन नियत कार्य अनुमान मान्यता प्रशिक्षण निर्यातित माल
योलोव5यू yolov5nu, yolov5su, yolov5mu, yolov5lu, yolov5xu, yolov5n6u, yolov5s6u, yolov5m6u, yolov5l6u, yolov5x6u वस्तु का पता लगाना

यह तालिका YOLOv5u मॉडल वेरिएंट का विस्तृत अवलोकन प्रदान करती है, जो ऑब्जेक्ट डिटेक्शन कार्यों में उनकी प्रयोज्यता को उजागर करती है और विभिन्न परिचालन मोड जैसे अनुमान, सत्यापन, प्रशिक्षण और निर्यात के लिए समर्थन करती है। यह व्यापक समर्थन सुनिश्चित करता है कि उपयोगकर्ता ऑब्जेक्ट डिटेक्शन परिदृश्यों की एक विस्तृत श्रृंखला में YOLOv5u मॉडल की क्षमताओं का पूरी तरह से लाभ उठा सकते हैं।

प्रदर्शन मेट्रिक्स

प्रदर्शन

COCO पर प्रशिक्षित इन मॉडलों के साथ उपयोग के उदाहरणों के लिए डिटेक्शन डॉक्स देखें, जिसमें 80 पूर्व-प्रशिक्षित कक्षाएं शामिल हैं।

को गढ़ना वाईएएमएल आकार वाला
(पिक्सेल)
मानचित्रवैल
50-95
गति
सीपीयू ONNX
(एमएस)
गति
ए100 TensorRT
(एमएस)
परम
(एम)
फ्लॉप
(बी)
yolov5nu.pt yolov5n.yaml 640 34.3 73.6 1.06 2.6 7.7
yolov5su.pt yolov5s.yaml 640 43.0 120.7 1.27 9.1 24.0
yolov5mu.pt yolov5m.yaml 640 49.0 233.9 1.86 25.1 64.2
yolov5lu.pt yolov5l.yaml 640 52.2 408.4 2.50 53.2 135.0
yolov5xu.pt yolov5x.yaml 640 53.2 763.2 3.81 97.2 246.4
yolov5n6u.pt योलोव5एन6.यमल 1280 42.1 211.0 1.83 4.3 7.8
yolov5s6u.pt योलोव5एस6.यम्ल 1280 48.6 422.6 2.34 15.3 24.6
yolov5m6u.pt yolov5m6.yaml 1280 53.6 810.9 4.36 41.2 65.7
yolov5l6u.pt yolov5l6.yaml 1280 55.7 1470.9 5.47 86.1 137.4
yolov5x6u.pt योलोव5x6.यमल 1280 56.8 2436.5 8.98 155.4 250.7

उपयोग के उदाहरण

यह उदाहरण सरल प्रदान करता है YOLOv5 प्रशिक्षण और अनुमान उदाहरण। इन और अन्य मोड पर पूर्ण प्रलेखन के लिए भविष्यवाणी, ट्रेन, वैल और निर्यात डॉक्स पृष्ठ देखें।

उदाहरण

PyTorch पूर्व-प्रशिक्षित *.pt मॉडल के साथ-साथ कॉन्फ़िगरेशन *.yaml फ़ाइलों को पास किया जा सकता है YOLO() में एक मॉडल उदाहरण बनाने के लिए वर्ग python:

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')

CLI मॉडल को सीधे चलाने के लिए कमांड उपलब्ध हैं:

# 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

प्रशंसा पत्र और पावती

यदि आप उपयोग करते हैं YOLOv5 या YOLOv5u अपने शोध में, कृपया उद्धृत करें Ultralytics YOLOv5 भंडार निम्नानुसार है:

@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}
}

कृपया ध्यान दें कि YOLOv5 मॉडल के तहत प्रदान की जाती हैं AGPL-3.0 और एंटरप्राइज़ लाइसेंस।



2023-11-12 बनाया गया, अपडेट किया गया 2024-01-15
लेखक: ग्लेन-जोचर (8)

टिप्पणियाँ