Ultralytics YOLOv5#

Visão geral#

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 objectness, uma funcionalidade anteriormente introduzida nos modelos YOLOv8. Esta adaptação aperfeiçoa a arquitetura do modelo, resultando num compromisso melhorado entre precisão e velocidade em tarefas de deteção de objetos. Tendo em conta os resultados empíricos e as funcionalidades derivadas, o YOLOv5u oferece uma alternativa eficiente para quem procura soluções robustas tanto em investigação como em aplicações práticas.

Principais funcionalidades#

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

• Compromisso otimizado entre precisão e velocidade: A velocidade e a precisão costumam seguir em direções opostas. Mas o YOLOv5u desafia este compromisso. Oferece um equilíbrio calibrado, garantindo deteções em tempo real sem comprometer a precisão. Esta funcionalidade é especialmente 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, existe um modelo feito à medida à tua espera. Esta variedade garante que não estás simplesmente a utilizar uma solução única para todos os casos, mas sim um modelo ajustado especificamente ao teu desafio.

Tarefas e modos suportados#

Os modelos YOLOv5u, com vários pesos pré-treinados, destacam-se em tarefas de Deteção de objetos. Suportam uma ampla variedade de modos, o que os torna adequados para aplicações diversas, 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 o suporte para vários modos operacionais, como Inferência, Validação, Treino e Exportação. Este suporte abrangente garante que podes tirar pleno partido das capacidades dos modelos YOLOv5u numa ampla variedade de cenários de deteção de objetos.

Métricas de desempenho#

Exemplos de utilização#

Este exemplo apresenta exemplos simples de treino e inferência com YOLOv5. Para obter a documentação completa sobre estes e outros modos, consulta as páginas de documentação Predict, Train, Val e Export.

from ultralytics import YOLO

# Load a COCO-pretrained YOLOv5nu model
model = YOLO("yolov5nu.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 YOLOv5nu model on the 'bus.jpg' image
results = model("path/to/bus.jpg")

Citações e agradecimentos#

Se utilizares YOLOv5 ou 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 empresarial.

Perguntas frequentes#