Ultralytics YOLOv5#

概要#

YOLOv5uは、物体検出手法の進歩を示すモデルです。Ultralyticsが開発した基盤アーキテクチャであるYOLOv5モデルをベースに、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。この変更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。実証結果と派生機能を踏まえると、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方に、効率的な選択肢を提供します。

主な機能#

• アンカーフリーのUltralytics分離ヘッド: 従来の物体検出モデルでは、オブジェクトの位置を予測するために、事前定義されたアンカーボックスを使用します。一方、YOLOv5uはこのアプローチを近代化しています。アンカーフリーのUltralytics分離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、さまざまなシナリオでのパフォーマンスを向上させています。

• 精度と速度のトレードオフを最適化: 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を改善します。バランスを調整し、精度を損なうことなくリアルタイム検出を実現します。この機能は、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役立ちます。

• 多様な事前トレーニング済みモデル: タスクごとに必要なツールが異なることを踏まえ、YOLOv5uでは豊富な事前トレーニング済みモデルを用意しています。推論、検証、トレーニングのいずれを行う場合でも、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、万能型のソリューションではなく、固有の課題に合わせて微調整されたモデルを使用できます。

サポート対象のタスクとモード#

さまざまな事前トレーニング済み重みを備えたYOLOv5uモデルは、物体検出タスクで優れた性能を発揮します。幅広いモードに対応しているため、開発からデプロイまで、多様な用途に適しています。

この表では、YOLOv5uの各モデルバリアントについて、物体検出タスクへの適用性と、推論、検証、トレーニング、エクスポートなど、さまざまな運用モードへの対応状況を詳しくまとめています。幅広いシナリオにおける物体検出で、ユーザーがYOLOv5uモデルの機能を最大限に活用できるよう、包括的にサポートしています。

性能指標#

使用例#

この例では、YOLOv5のトレーニングと推論の簡単な例を紹介します。これらのモード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、予測、トレーニング、検証、エクスポートのドキュメントページをご覧ください。

from ultralytics import YOLO

# COCOで事前トレーニングされたYOLOv5nuモデルを読み込みます
model = YOLO("yolov5nu.pt")

# モデル情報を表示（任意）
model.info()

# COCO8サンプルデータセットでモデルを100エポック学習する
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# 'bus.jpg'画像に対してYOLOv5nuモデルで推論を実行します
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、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ライセンスおよびEnterpriseライセンスで提供されていることにご注意ください。

よくある質問#