YOLOv5

Обзор

YOLOv5u представляет собой прогресс в методологии обнаружения объектов. Возникнув на основе фундаментальной архитектуры YOLOv5Ultralytics , YOLOv5u интегрирует безъякорную и безобъектную раздвоенную голову - функцию, ранее представленную в YOLOv8 модели. Эта адаптация улучшает архитектуру модели, что приводит к улучшению компромисса между точностью и скоростью в задачах обнаружения объектов. Учитывая эмпирические результаты и выведенные особенности, YOLOv5u представляет собой эффективную альтернативу для тех, кто ищет надежные решения как в исследовательских, так и в практических приложениях.

Основные характеристики

• Безъякорный сплит Ultralytics Head: Традиционные модели обнаружения объектов полагаются на предопределенные якорные коробки для предсказания местоположения объектов. Однако YOLOv5u модернизирует этот подход. Благодаря использованию безъякорной сплит-головки Ultralytics , она обеспечивает более гибкий и адаптивный механизм обнаружения, что повышает производительность в различных сценариях.

• Оптимизированный компромисс между точностью и скоростью: скорость и точность часто тянут в противоположные стороны. Но YOLOv5u бросает вызов этому компромиссу. Он предлагает выверенный баланс, обеспечивая обнаружение в реальном времени без ущерба для точности. Эта особенность особенно бесценна для приложений, требующих быстрой реакции, таких как автономные транспортные средства, робототехника и видеоаналитика в реальном времени.

• Разнообразие предварительно обученных моделей: Понимая, что для разных задач требуются разные наборы инструментов, YOLOv5u предоставляет множество предварительно обученных моделей. Независимо от того, на чем ты сосредоточен - на выводе, проверке или обучении, - тебя ждет индивидуально подобранная модель. Такое разнообразие гарантирует, что ты используешь не просто универсальное решение, а модель, специально настроенную под твою уникальную задачу.

Поддерживаемые задачи и режимы

Модели YOLOv5u с различными предварительно обученными весами отлично справляются с задачами обнаружения объектов. Они поддерживают широкий спектр режимов, что делает их подходящими для различных приложений, от разработки до развертывания.

В этой таблице представлен подробный обзор вариантов моделей YOLOv5u, подчеркивающий их применимость в задачах обнаружения объектов и поддержку различных режимов работы, таких как Inference, Validation, Training и Export. Такая комплексная поддержка гарантирует, что пользователи смогут полностью использовать возможности моделей YOLOv5u в широком спектре сценариев обнаружения объектов.

Показатели производительности

Примеры использования

В этом примере приведены простые примеры обучения и вывода YOLOv5 . Полную документацию по этим и другим режимам можно найти на страницах Predict, Train, Val и Export docs.

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')

# 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

Цитаты и благодарности

Если ты используешь YOLOv5 или YOLOv5u в своих исследованиях, пожалуйста, ссылайся на репозиторий Ultralytics YOLOv5 следующим образом:

@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}
}

Обрати внимание, что модели YOLOv5 предоставляются по AGPL-3.0 и лицензиями Enterprise.

Комментарии