Link to this sectionUltralytics YOLOv5#

Link to this section概要#

YOLOv5uは、物体検出手法における進歩を象徴するものです。Ultralyticsが開発したYOLOv5モデルの基礎的なアーキテクチャを継承し、YOLOv5uはYOLOv8モデルで初めて導入されたアンカーフリー（anchor-free）かつオブジェクネスフリー（objectness-free）なスプリット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ました。経験的な結果とその派生機能に基づき、YOLOv5uは研究と実用アプリケーションの両方で強力なソリューションを求める方々にとって、効率的な代替手段となります。

Link to this section主な特徴#

• アンカーフリーのSplit Ultralytics Head: 従来の物体検出モデルは、事前に定義されたアンカーボックスを使用して物体の位置を予測していました。しかし、YOLOv5uはこの手法を現代化しました。アンカーフリーのSplit Ultralytics Head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パフォーマンス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: 速度と精度は往々にして相反するものです。しかし、YOLOv5uはこのトレードオフに挑戦しています。キャリブレーションされたバランスを提供することで、精度を損なうことなくリアルタイムの検出を可能にしました。この機能は、自動運転車、ロボティクス、リアルタイム映像解析など、迅速な応答が求められるアプリケーションにおいて特に価値があります。

• 多様な事前学習済みモデル: タスクごとに必要なツールセットが異なることを理解し、YOLOv5uでは多数の事前学習済みモデルを提供しています。推論、検証、学習のいずれに注力する場合でも、目的に合わせたモデルが用意されています。この多様性により、汎用的なソリューションではなく、独自の課題に対して特別に微調整されたモデルを利用できます。

Link to this sectionサポートされるタスクとモード#

YOLOv5uモデルは、様々な事前学習済み重みを備えており、物体検出タスクで優れた性能を発揮します。幅広いモードをサポートしており、開発からデプロイメントまで、多様なアプリケーションに適しています。

この表はYOLOv5uモデルのバリエーションの詳細な概要であり、物体検出タスクへの適用可能性と、推論、検証、学習、エクスポートといった様々な操作モードへのサポートを強調しています。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。

Link to this section性能メトリクス#

Link to this section使用例#

この例では、単純なYOLOv5の学習および推論の例を紹介します。これらやその他のモードに関する詳細なドキュメントについては、推論、学習、検証、エクスポートのドキュメントページを参照してください。

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")

Link to this section引用と謝辞#

研究でYOLOv5やYOLOv5uを使用する場合は、次のように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およびEnterpriseライセンスの下で提供されていることに注意してください。

Link to this sectionよくある質問 (FAQ)#

Link to this sectionUltralytics YOLOv5uとは何ですか、またYOLOv5とどのように異なりますか？#

Ultralytics YOLOv5uはYOLOv5の高度なバージョンであり、リアルタイム物体検出タスクにおける精度と速度のトレードオフを向上させる、アンカーフリーかつオブジェクネスフリーのスプリットヘッドを統合しています。従来のYOLOv5とは異なり、YOLOv5uはアンカーフリーの検出メカニズムを採用しており、多様なシナリオにおいてより柔軟で適応性が高くなっています。機能に関する詳細については、YOLOv5概要を参照してください。

Link to this sectionアンカーフリーのUltralytics Headは、YOLOv5uでの物体検出パフォーマンスをどのように向上させますか？#

YOLOv5uのアンカーフリーのUltralytics Headは、事前に定義されたアンカーボックスへの依存を排除することで、物体検出パフォーマンスを向上させます。これにより、さまざまな物体のサイズや形状をより効率的に処理できる、より柔軟で適応性の高い検出メカニズムが実現します。この改善は、精度と速度のバランスの取れたトレードオフに直接貢献し、YOLOv5uをリアルタイムアプリケーションに適したものにしています。そのアーキテクチャについては、主な機能セクションで詳しく学べます。

Link to this section事前学習済みのYOLOv5uモデルを異なるタスクやモードで使用できますか？#

はい、事前学習済みのYOLOv5uモデルは、物体検出などの様々なタスクに使用できます。これらのモデルは、推論、検証、学習、エクスポートなど、複数のモードをサポートしています。この柔軟性により、ユーザーは異なる運用要件に合わせてYOLOv5uモデルの機能を活用できます。詳細な概要については、サポートされているタスクとモードセクションを確認してください。

Link to this sectionYOLOv5uモデルのパフォーマンス指標は、異なるプラットフォーム間でどのように比較されますか？#

YOLOv5uモデルのパフォーマンス指標は、使用するプラットフォームやハードウェアによって異なります。例えば、YOLOv5nuモデルは、CPU（ONNX）で73.6ms、A100 TensorRTで1.06msの速度でCOCOデータセットにおいて34.3 mAPを達成します。異なるYOLOv5uモデルの詳細なパフォーマンス指標については、さまざまなデバイス間での包括的な比較を提供するパフォーマンス指標セクションで見ることができます。

Link to this sectionUltralytics Python APIを使用してYOLOv5uモデルを学習するにはどうすればよいですか？#

事前学習済みのモデルを読み込み、データセットで学習コマンドを実行することで、YOLOv5uモデルを学習できます。簡単な例を以下に示します：

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)

詳細な手順については、使用例セクションにアクセスしてください。