Ultralytics YOLOv5#

概要#

YOLOv5uは、物体検出手法の進化を示すモデルです。Ultralyticsが開発したYOLOv5モデルの基盤アーキテクチャを起点として、YOLOv5uはYOLOv8モデルで初めて導入された、アンカーフリーかつobjectnessフリーの分離ヘッドを統合しています。この適応によりモデルアーキテクチャが洗練され、物体検出タスクにおける精度と速度のトレードオフが改善されています。実験結果と派生した特徴を踏まえ、YOLOv5uは研究用途と実用用途の両方で堅牢なソリューションを求めるユーザーに、効率的な選択肢を提供します。

主な特徴#

• **アンカーフリーの分離Ultralyticsヘッド：**従来の物体検出モデルは、物体の位置を予測するためにあらかじめ定義されたアンカーボックスに依存しています。一方、YOLOv5uはこのアプローチを最新化しています。アンカーフリーの分離Ultralyticsヘッドを採用することで、より柔軟で適応性の高い検出メカニズムを実現し、多様なシナリオでの性能を向上させています。

• **最適化された精度と速度のトレードオフ：**速度と精度はしばしば相反します。しかし、YOLOv5uはこのトレードオフに挑戦します。精度を損なうことなくリアルタイム検出を実現する、調整されたバランスを提供します。この特長は、自動運転車、ロボティクス、リアルタイム動画分析など、迅速な応答が求められるアプリケーションで特に有用です。

• **多様な事前トレーニング済みモデル：**タスクごとに異なるツールセットが必要であることを踏まえ、YOLOv5uは豊富な事前トレーニング済みモデルを提供します。Inference、Validation、Trainingのいずれに取り組む場合でも、用途に合わせたモデルを利用できます。この多様性により、単一の万能ソリューションではなく、それぞれの課題に合わせて微調整されたモデルを使用できます。

サポートされるタスクとモード#

さまざまな事前トレーニング済みウェイトを備えたYOLOv5uモデルは、物体検出タスクで優れた性能を発揮します。包括的な各種モードをサポートしているため、開発からデプロイまで幅広いアプリケーションに適しています。

この表では、YOLOv5uモデルの各バリエーションの詳細を示し、物体検出タスクへの適用性と、Inference、Validation、Training、Exportなどの各種操作モードのサポート状況をまとめています。この包括的なサポートにより、ユーザーは幅広い物体検出シナリオでYOLOv5uモデルの機能を最大限に活用できます。

性能指標#

使用例#

この例では、YOLOv5のトレーニングとInferenceの簡単な例を示します。これらとその他のモードの詳しいドキュメントについては、Predict、Train、Val、Exportのドキュメントページをご覧ください。

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")

引用と謝辞#

研究でYOLOv5またはYOLOv5uを使用する場合は、以下の形式でUltralytics YOLOv5リポジトリを引用してください。

@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}
}

YOLOv5モデルは、AGPL-3.0ライセンスおよびエンタープライズライセンスの下で提供されていることにご注意ください。

FAQ#