Ultralytics YOLOv5#

Panoramica#

YOLOv5u rappresenta un'evoluzione delle metodologie di rilevamento degli oggetti. Derivato dall'architettura fondamentale del modello YOLOv5 sviluppato da Ultralytics, YOLOv5u integra la testa split priva di anchor e objectness, una funzionalità introdotta per la prima volta nei modelli YOLOv8. Questo adattamento perfeziona l'architettura del modello, migliorando il compromesso tra accuratezza e velocità nelle attività di rilevamento degli oggetti. Considerati i risultati empirici e le funzionalità derivate, YOLOv5u offre un'alternativa efficiente per chi cerca soluzioni affidabili sia nella ricerca sia nelle applicazioni pratiche.

Funzionalità principali#

• Testa split Ultralytics priva di anchor: i modelli tradizionali di rilevamento degli oggetti si basano su anchor box predefinite per prevedere la posizione degli oggetti. YOLOv5u, invece, modernizza questo approccio. Adottando una testa split Ultralytics priva di anchor, garantisce un meccanismo di rilevamento più flessibile e adattivo, migliorando di conseguenza le prestazioni in scenari diversi.

• Compromesso tra accuratezza e velocità ottimizzato: velocità e accuratezza spesso vanno in direzioni opposte. YOLOv5u, però, mette in discussione questo compromesso. Offre un equilibrio calibrato, garantendo rilevamenti in tempo reale senza compromettere l'accuratezza. Questa funzionalità è particolarmente preziosa per le applicazioni che richiedono risposte rapide, come i veicoli autonomi, la robotica e l'analisi video in tempo reale.

• Ampia varietà di modelli preaddestrati: poiché attività diverse richiedono strumenti diversi, YOLOv5u offre numerosi modelli preaddestrati. Che tu ti concentri su inferenza, validazione o addestramento, c'è un modello personalizzato pronto per te. Questa varietà garantisce che tu non debba usare una soluzione universale, ma un modello ottimizzato nello specifico per la tua particolare esigenza.

Attività e modalità supportate#

I modelli YOLOv5u, con diversi pesi preaddestrati, eccellono nelle attività di rilevamento degli oggetti. Supportano un'ampia gamma di modalità, risultando adatti a diverse applicazioni, dallo sviluppo alla distribuzione.

Questa tabella offre una panoramica dettagliata delle varianti del modello YOLOv5u, evidenziandone l'applicabilità nelle attività di rilevamento degli oggetti e il supporto per diverse modalità operative, come inferenza, validazione, addestramento ed esportazione. Questo supporto completo garantisce che tu possa sfruttare appieno le funzionalità dei modelli YOLOv5u in un'ampia gamma di scenari di rilevamento degli oggetti.

Metriche delle prestazioni#

Esempi di utilizzo#

Questo esempio fornisce semplici esempi di addestramento e inferenza con YOLOv5. Per la documentazione completa su queste e altre modalità, consulta le pagine della documentazione Predict, Train, Val ed 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")

Citazioni e ringraziamenti#

Se usi YOLOv5 o YOLOv5u nella tua ricerca, cita il repository Ultralytics YOLOv5 come segue:

@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}
}

Tieni presente che i modelli YOLOv5 sono forniti con licenze AGPL-3.0 ed Enterprise.

FAQ#