Questo esempio fornisce semplici esempi di formazione e inferenza su YOLOv5 . Per una documentazione completa su queste e altre modalità, consulta le pagine dei documenti Predict, Train, Val ed Export.
Esempio
PyTorch pretrained *.pt
modelli e configurazione *.yaml
possono essere passati ai file YOLO()
per creare un'istanza del modello in 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 sono disponibili comandi per eseguire direttamente i modelli:
Se utilizzi YOLOv5 o YOLOv5u nella tua ricerca, cita il repository Ultralytics YOLOv5 come segue:
Tieni presente che i modelli YOLOv5 sono forniti con le licenze AGPL-3.0 e le licenze Enterprise.
Ultralytics YOLOv5u is an advanced version of YOLOv5, integrating the anchor-free, objectness-free split head that enhances the accuracy-speed tradeoff for real-time object detection tasks. Unlike the traditional YOLOv5, YOLOv5u adopts an anchor-free detection mechanism, making it more flexible and adaptive in diverse scenarios. For more detailed information on its features, you can refer to the YOLOv5 Overview.
La testina Ultralytics senza ancore di YOLOv5u migliora le prestazioni di rilevamento degli oggetti eliminando la dipendenza da caselle di ancoraggio predefinite. Ciò si traduce in un meccanismo di rilevamento più flessibile e adattivo, in grado di gestire oggetti di varie dimensioni e forme con maggiore efficienza. Questo miglioramento contribuisce direttamente a creare un compromesso equilibrato tra precisione e velocità, rendendo YOLOv5u adatto alle applicazioni in tempo reale. Scopri di più sulla sua architettura nella sezione Caratteristiche principali.
Sì, puoi utilizzare i modelli YOLOv5u pre-addestrati per varie attività come il rilevamento di oggetti. Questi modelli supportano diverse modalità, tra cui Inferenza, Convalida, Formazione ed Esportazione. Questa flessibilità permette agli utenti di sfruttare le capacità dei modelli YOLOv5u per diverse esigenze operative. Per una panoramica dettagliata, consulta la sezione Attività e modalità supportate.
Le prestazioni dei modelli YOLOv5u variano a seconda della piattaforma e dell'hardware utilizzato. Ad esempio, il modello YOLOv5nu raggiunge 34,3 mAP sul dataset COCO con una velocità di 73,6 ms su CPU (ONNX) e 1,06 ms su A100 TensorRT. Le metriche dettagliate delle prestazioni dei diversi modelli YOLOv5u sono riportate nella sezione Metriche delle prestazioni, che fornisce un confronto completo tra i vari dispositivi.
Puoi addestrare un modello YOLOv5u caricando un modello pre-addestrato ed eseguendo il comando di addestramento con il tuo set di dati. Ecco un rapido esempio:
Esempio
Per istruzioni più dettagliate, visita la sezione Esempi di utilizzo.