Ultralytics YOLOv5#

YOLOv5

ultralytics

public

Released June 2020. The foundational PyTorch implementation, battle-tested across millions of deployments. Ideal for teams with existing YOLOv5 workflows.

25 models359.3 MBMay 21, 2026

yolov5nuyolov5xuyolov5lu+2

Visão geral#

O YOLOv5u representa um avanço nas metodologias de object detection. Originário da arquitetura fundamental do modelo YOLOv5 desenvolvido pela Ultralytics, o YOLOv5u integra a cabeça dividida (split head) sem âncoras e sem objetividade, um recurso introduzido anteriormente nos modelos YOLOv8. Esta adaptação refina a arquitetura do modelo, resultando em uma relação precisão-velocidade aprimorada em tarefas de deteção de objetos. Dados os resultados empíricos e suas características derivadas, o YOLOv5u fornece uma alternativa eficiente para quem procura soluções robustas tanto em investigação quanto em aplicações práticas.

Principais recursos#

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

• Relação Otimizada entre Precisão e Velocidade: Velocidade e precisão muitas vezes puxam emdireções opostas. Mas o YOLOv5u desafia este compromisso. Oferece um equilíbrio calibrado, garantindo detecções em tempo real sem comprometer a precisão. Este recurso é particularmente inestimável para aplicações que exigem respostas rápidas, tais como autonomous vehicles, robotics e análise de vídeo em tempo real.

• Variedade de modelos pré-treinados: Entendendo que diferentes tarefas exigem conjuntos de ferramentas diferentes, o YOLOv5u oferece uma infinidade de modelos pré-treinados. Esteja você focado em Inferência, Validação ou Treinamento, há um modelo feito sob medida esperando por você. Essa variedade garante que você não esteja apenas usando uma solução única para todos, mas um modelo especificamente ajustado para seu desafio exclusivo.

Tarefas e modos suportados#

Os modelos YOLOv5u, com vários pesos pré-treinados, destacam-se em tarefas de Object Detection. Suportam uma gama abrangente de modos, tornando-os adequados para diversas aplicações, desde o desenvolvimento até à implementação.

Esta tabela fornece uma visão geral detalhada das variantes do modelo YOLOv5u, destacando a sua aplicabilidade em tarefas de deteção de objetos e suporte a vários modos operacionais, como Inference, Validation, Training e Export. Este suporte abrangente garante que os utilizadores possam aproveitar ao máximo as capacidades dos modelos YOLOv5u numa ampla gama de cenários de deteção de objetos.

Métricas de desempenho#

Exemplos de uso#

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

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")

Citações e Agradecimentos#

Se você usar o YOLOv5 ou o YOLOv5u em sua pesquisa, cite 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 fornecidos sob as licenças AGPL-3.0 e Enterprise.

FAQ#