Ultralytics YOLOv5#

Panoramica#

YOLOv5u rappresenta un progresso nelle metodologie di rilevamento degli oggetti. Derivato dall'architettura di base del modello YOLOv5 sviluppato da Ultralytics, YOLOv5u integra la testa divisa senza anchor e senza objectness, una caratteristica introdotta in precedenza nei modelli YOLOv8. Questo adattamento perfeziona l'architettura del modello e migliora il compromesso tra accuratezza e velocità nelle attività di rilevamento degli oggetti. Considerati i risultati empirici e le caratteristiche derivate, YOLOv5u offre un'alternativa efficiente a chi cerca soluzioni affidabili sia nella ricerca sia nelle applicazioni pratiche.

Funzionalità principali#

• Testa divisa Ultralytics senza anchor: i modelli tradizionali di rilevamento degli oggetti si basano su riquadri anchor predefiniti per prevedere la posizione degli oggetti. YOLOv5u modernizza questo approccio. Adottando una testa divisa Ultralytics senza anchor, garantisce un meccanismo di rilevamento più flessibile e adattabile, migliorando così le prestazioni in scenari diversi.

• Compromesso tra accuratezza e velocità ottimizzato: velocità e accuratezza spesso sono in contrasto. YOLOv5u, però, sfida questo compromesso. Offre un equilibrio calibrato, garantendo rilevamenti in tempo reale senza compromettere l'accuratezza. Questa caratteristica 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: consapevole che attività diverse richiedono strumenti diversi, YOLOv5u offre numerosi modelli preaddestrati. Che tu ti concentri su inferenza, validazione o addestramento, troverai un modello su misura per le tue esigenze. Questa varietà ti permette di usare non una soluzione universale, ma un modello ottimizzato appositamente per la tua sfida.

Attività e modalità supportate#

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

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

Metriche di prestazione#

Esempi d'uso#

Questo esempio mostra 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

# Carica un modello YOLOv5nu preaddestrato su COCO
model = YOLO("yolov5nu.pt")

# Visualizza le informazioni sul modello (facoltativo)
model.info()

# Addestra il modello sul dataset di esempio COCO8 per 100 epoche
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Esegui l'inferenza con il modello YOLOv5nu sull'immagine 'bus.jpg'
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 distribuiti con licenze AGPL-3.0 ed Enterprise.

Domande frequenti#