コンテンツへスキップ

YOLOv5

概要

YOLOv5uは、物体検出手法の進歩を象徴している。YOLOv5uは、。 YOLOv5YOLOv5uは、Ultralytics によって開発されたモデルの基本的なアーキテクチャーに由来し、アンカーフリー、物体らしさフリーのスプリットヘッドを統合している。 YOLOv8モデルに導入されていた機能である。この適応によりモデルのアーキテクチャが改良され、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た。YOLOv5uは、経験的な結果とその導出された特徴から、研究と実用的な応用の両方において、頑健な解決策を求める人々に効率的な代替案を提供する。

Ultralytics YOLOv5

主な特徴

  • アンカーフリーのスプリットUltralytics ヘッド:従来のオブジェクト検出モデルは、オブジェクト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た。しかし、YOLOv5uはこのアプローチを近代化する。アンカーフリーのスプリットUltralytics ヘッドを採用することで、より柔軟で適応的な検出メカニズムを保証し、その結果、多様なシナリオにおける性能を向上させる。

  • 最適化された正確さとスピードのトレードオフ:スピードと正確さは、しばしば相反する方向へ引っ張られる。しかし、YOLOv5uはこのトレードオフに挑戦します。YOLOv5uは調整されたバランスを提供し、精度に妥協することなくリアルタイムの検出を保証します。この機能は、自律走行車、ロボット工学、リアルタイムビデオ解析など、迅速な応答が求められるアプリケーションでは特に貴重です。

  • 多様な事前学習済みモデルタスクによって必要とされるツールセットが異なることを理解し、YOLOv5uは多くのトレーニング済みモデルを提供しています。推論、検証、トレーニングのいずれに重点を置いていても、オーダーメイドのモデルがあなたを待っています。この多様性により、万能なソリューションではなく、あなたのユニークな課題に対して特別に微調整されたモデルを使用することができます。

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の重みを持ち、物体検出タスクに優れています。幅広いモードをサポートしているため、開発から配備まで、さまざまな用途に適しています。

モデル・タイプ 事前に訓練されたウェイト タスク 推論 バリデーション トレーニング 輸出
YOLOv5u yolov5nu, yolov5su, yolov5mu, yolov5lu, yolov5xu, yolov5n6u, yolov5s6u, yolov5m6u, yolov5l6u, yolov5x6u 物体検出 ✅ ✅ ✅ ✅

この表は、YOLOv5uモデルバリアントの詳細な概要を示しており、物体検出タスクにおける適用可能性と、推論、検証、トレーニング、エクスポートといった様々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でYOLOv5uモデルの機能をフルに活用することができます。

パフォーマンス指標

パフォーマンス

80の訓練済みクラスを含むCOCO上で訓練されたこれらのモデルの使用例については、Detection Docsを参照してください。

モデル ヤムル サイズ
(ピクセル)
mAPval
50-95
速度
CPUONNX
(ms
)
速度
A100 TensorRT
(ms
)
params
(M)
FLOPs
(B)
yolov5nu.pt yolov5n.yaml 640 34.3 73.6 1.06 2.6 7.7
yolov5su.pt yolov5s.yaml 640 43.0 120.7 1.27 9.1 24.0
yolov5mu.pt yolov5m.yaml 640 49.0 233.9 1.86 25.1 64.2
yolov5lu.pt yolov5l.yaml 640 52.2 408.4 2.50 53.2 135.0
yolov5xu.pt yolov5x.yaml 640 53.2 763.2 3.81 97.2 246.4
yolov5n6u.pt yolov5n6.yaml 1280 42.1 211.0 1.83 4.3 7.8
yolov5s6u.pt yolov5s6.yaml 1280 48.6 422.6 2.34 15.3 24.6
yolov5m6u.pt yolov5m6.yaml 1280 53.6 810.9 4.36 41.2 65.7
yolov5l6u.pt yolov5l6.yaml 1280 55.7 1470.9 5.47 86.1 137.4
yolov5x6u.pt yolov5x6.yaml 1280 56.8 2436.5 8.98 155.4 250.7

使用例

この例では、単純なYOLOv5 トレーニングと推論の例を提供します。これらのモードや他のモードに関する完全なドキュメントはPredict,Train,ValandExportdocs ページを参照してください。

例

PyTorch じゅくれんした *.pt モデルおよび構成 *.yaml ファイルに渡すことができる。 YOLO() クラスを使用して、python にモデルのインスタンスを作成します:

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)

# Run inference with the YOLOv5n model on the 'bus.jpg' image
results = model("path/to/bus.jpg")

CLI コマンドでモデルを直接実行できる:

# Load a COCO-pretrained YOLOv5n model and train it on the COCO8 example dataset for 100 epochs
yolo train model=yolov5n.pt data=coco8.yaml epochs=100 imgsz=640

# Load a COCO-pretrained YOLOv5n model and run inference on the 'bus.jpg' image
yolo predict model=yolov5n.pt source=path/to/bus.jpg

引用と謝辞

あなたの研究でYOLOv5 または YOLOv5u を使用する場合は、Ultralytics YOLOv5 リポジトリを以下のように引用してください:

@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ライセンスで提供されます。



Created 2023-11-12, Updated 2024-06-10
Authors: glenn-jocher (12), Burhan-Q (1)

コメント