Ultralytics YOLOv5#

概要#

YOLOv5uは、object detectionの手法における進化を表しています。Ultralyticsによって開発されたYOLOv5モデルの基礎的なアーキテクチャに由来するYOLOv5uは、YOLOv8モデルで以前に導入された機能である、アンカーフリーおよびオブジェクトネスフリーの分割ヘッドを統合しています。この適応によりモデルの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す。経験的結果およびそこから派生した機能に基づき、YOLOv5uは、研究と実用アプリケーションの両方で堅牢なソリューションを求める人々にとって効率的な代替手段を提供します。

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、しばしば相反する方向に働きます。しかし、YOLOv5uはこのトレードオフに挑戦します。精度を妥協することなくリアルタイム検出を保証する、調整されたバランスを提供します。この機能は、autonomous vehicles、robotics、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非常に価値があります。

• 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。

サポートされるタスクとモード#

さまざまな事前学習済み重みを持つYOLOv5uモデルは、Object Detectionタスクに優れています。包括的な範囲の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。

この表では、YOLOv5uモデルのバリアントの詳細な概要を提供し、物体検出タスクにおける適用性や、Inference、Validation、Training、Exportなどのさまざまな操作モード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においてYOLOv5uモデルの機能を十分に活用できるようになります。

性能メトリクス#

使用例#

この例では、簡単なYOLOv5のトレーニングと推論の例を提供しています。これらおよびその他のmodesに関する完全なドキュメントについては、Predict、Train、Val、Exportの各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")

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。

よくある質問 (FAQ)#

Ultralytics 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accuracyと速度のトレードオフを向上させるアンカーフリー、オブジェクトネスフリーの分割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。その機能の詳細については、YOLOv5 Overviewを参照してください。

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におけるアンカーフリーのUltralyticsヘッドは、事前定義されたアンカーボックスへの依存をなくすことで、物体検出のパフォーマンスを向上させます。これにより、より高い効率でさまざまな物体のサイズや形状に対応できる、より柔軟で適応性のある検出メカニズムが実現します。この機能強化は、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の詳細については、Key Featuresセクションでご確認ください。

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、Object Detectionなどのさまざまなタスクに事前学習済みYOLOv5uモデルを使用できます。これらのモデルは、Inference、Validation、Training、Exportを含む複数のモードをサポートしています。この柔軟性により、ユーザーはさまざまな運用要件にわたってYOLOv5uモデルの機能を活用できます。詳細な概要については、Supported Tasks and Modesセクションをご確認ください。

YOLOv5u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。たとえば、YOLOv5nuモデルは、COCOデータセットで34.3 mAPを達成し、CPU（ONNX）で73.6 ms、A100 TensorRTで1.06 msの速度を実現します。さまざまなYOLOv5uモデルの詳細なパフォーマンス指標は、さまざまなデバイスにわたる包括的な比較を提供するPerformance Metricsセクションに記載されています。

Ultralytics 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)

より詳細な手順については、Usage Examplesセクションをご覧ください。