Ultralytics YOLOv5#

Visão geral#

O YOLOv5u representa um avanço nas metodologias de deteção de objetos. Com origem na arquitetura fundamental do modelo YOLOv5, desenvolvido pela Ultralytics, o YOLOv5u integra a cabeça dividida sem âncoras e sem previsão de presença de objetos, uma funcionalidade introduzida anteriormente nos modelos YOLOv8. Esta adaptação aperfeiçoa a arquitetura do modelo, melhorando o equilíbrio entre precisão e velocidade nas tarefas de deteção de objetos. Com base nos resultados empíricos e nas funcionalidades derivadas, o YOLOv5u oferece uma alternativa eficiente para quem procura soluções robustas tanto na investigação como em aplicações práticas.

Principais funcionalidades#

• Cabeça dividida sem âncoras da Ultralytics: Os modelos tradicionais de deteção de objetos dependem de caixas-âncora predefinidas para prever a localização dos objetos. No entanto, o YOLOv5u moderniza esta abordagem. Ao adotar uma cabeça dividida da Ultralytics sem âncoras, garante um mecanismo de deteção mais flexível e adaptável, melhorando assim o desempenho em diversos cenários.

• Equilíbrio otimizado entre precisão e velocidade: A velocidade e a precisão são muitas vezes objetivos opostos. Mas o YOLOv5u desafia este compromisso. Oferece um equilíbrio calibrado, garantindo deteções em tempo real sem comprometer a precisão. Esta funcionalidade é particularmente valiosa para aplicações que exigem respostas rápidas, como veículos autónomos, robótica e análise de vídeo em tempo real.

• Variedade de modelos pré-treinados: Reconhecendo que tarefas diferentes exigem conjuntos de ferramentas diferentes, o YOLOv5u disponibiliza uma grande variedade de modelos pré-treinados. Quer te concentres em inferência, validação ou treino, há um modelo feito à medida à tua espera. Esta variedade garante que não estás apenas a usar uma solução universal, mas um modelo ajustado especificamente ao teu desafio.

Tarefas e modos compatíveis#

Os modelos YOLOv5u, com vários pesos pré-treinados, destacam-se em tarefas de deteção de objetos. São compatíveis com uma vasta gama de modos, o que os torna adequados para diversas aplicações, desde o desenvolvimento até à implementação.

Esta tabela apresenta uma visão geral detalhada das variantes do modelo YOLOv5u, destacando a sua aplicabilidade em tarefas de deteção de objetos e a compatibilidade com vários modos operacionais, como inferência, validação, treino e exportação. Esta compatibilidade abrangente garante que os utilizadores podem aproveitar plenamente as capacidades dos modelos YOLOv5u em vários cenários de deteção de objetos.

Métricas de desempenho#

Exemplos de uso#

Este exemplo apresenta exemplos simples de treino e inferência com YOLOv5. Para consultar a documentação completa destes e de outros modos, vê as páginas de documentação de previsão, treino, validação e exportação.

from ultralytics import YOLO

# Carregar um modelo YOLOv5nu pré-treinado no COCO
model = YOLO("yolov5nu.pt")

# Exibir informações do modelo (opcional)
model.info()

# Treina o modelo no conjunto de dados de exemplo COCO8 durante 100 épocas
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Executar inferência com o modelo YOLOv5nu na imagem 'bus.jpg'
results = model("path/to/bus.jpg")

Citações e agradecimentos#

Se usares o YOLOv5 ou o YOLOv5u na tua investigação, cita o repositório Ultralytics YOLOv5 da seguinte forma:

@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}
}

Tem em atenção que os modelos YOLOv5 são disponibilizados ao abrigo das licenças AGPL-3.0 e Enterprise.

Perguntas frequentes#