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

Panoramica#

YOLOv5u rappresenta un progresso nelle metodologie di object detection. Originato dall'architettura fondamentale del modello YOLOv5 sviluppato da Ultralytics, YOLOv5u integra la split head anchor-free e priva di objectness, una funzionalità precedentemente introdotta nei modelli YOLOv8. Questo adattamento perfeziona l'architettura del modello, portando a un migliore compromesso tra accuratezza e velocità nelle attività di object detection. Dati i risultati empirici e le sue caratteristiche derivate, YOLOv5u costituisce un'alternativa efficiente per chi cerca soluzioni robuste sia nella ricerca che nelle applicazioni pratiche.

Caratteristiche principali#

• Split head Ultralytics senza anchor: I modelli di object detection tradizionali si basano su anchor box predefinite per prevedere le posizioni degli oggetti. Tuttavia, YOLOv5u modernizza questo approccio. Adottando uno split head Ultralytics senza anchor, assicura un meccanismo di rilevamento più flessibile e adattabile, migliorando di conseguenza le prestazioni in diversi scenari.

• Compromesso ottimizzato tra accuratezza e velocità: Velocità e accuratezza spesso vanno in direzioni opposte. Ma YOLOv5u sfida questo compromesso. Offre un bilanciamento calibrato, garantendo rilevamenti in tempo reale senza compromettere l'accuratezza. Questa funzionalità è particolarmente preziosa per le applicazioni che richiedono risposte rapide, come autonomous vehicles, robotics e analisi video in tempo reale.

• Varietà di modelli preaddestrati: Comprendendo che attività diverse richiedono strumenti diversi, YOLOv5u fornisce una pletora di modelli preaddestrati. Che tu ti stia concentrando su inferenza, validazione o addestramento, c'è un modello su misura che ti aspetta. Questa varietà assicura che tu non stia usando solo una soluzione valida per tutto, ma un modello specificamente ottimizzato per la tua sfida unica.

Compiti e modalità supportati#

I modelli YOLOv5u, con vari pesi pre-addestrati, eccellono nelle attività di Object Detection. Supportano una gamma completa di modalità, risultando adatti a diverse applicazioni, dallo sviluppo al deployment.

Questa tabella fornisce una panoramica dettagliata delle varianti del modello YOLOv5u, evidenziandone l'applicabilità nelle attività di object detection e il supporto per varie modalità operative come Inference, Validation, Training e Export. Questo supporto completo garantisce che gli utenti possano sfruttare appieno le capacità dei modelli YOLOv5u in un'ampia gamma di scenari di object detection.

Metriche di performance#

Esempi di Utilizzo#

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

Citazioni e riconoscimenti#

Se utilizzi 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}
}

Nota che i modelli YOLOv5 sono forniti con le licenze AGPL-3.0 ed Enterprise.

FAQ#