Link to this sectionUltralytics YOLOv5#

Link to this sectionGenel Bakış#

YOLOv5u, nesne tespiti metodolojilerinde bir ilerlemeyi temsil eder. Ultralytics tarafından geliştirilen YOLOv5 modelinin temel mimarisinden türetilen YOLOv5u, daha önce YOLOv8 modellerinde sunulan çapasız (anchor-free), nesnesiz (objectness-free) ayrık baş (split head) yapısını entegre eder. Bu adaptasyon, modelin mimarisini geliştirerek nesne tespiti görevlerinde daha iyi bir doğruluk-hız dengesi sağlar. Deneysel sonuçlar ve türetilmiş özellikleri göz önüne alındığında YOLOv5u, hem araştırmalarda hem de pratik uygulamalarda sağlam çözümler arayanlar için verimli bir alternatif sunar.

Link to this sectionTemel Özellikler#

• Çapasız Ayrık Ultralytics Başlığı: Geleneksel nesne tespiti modelleri, nesne konumlarını tahmin etmek için önceden tanımlanmış çapa kutularına (anchor boxes) güvenir. Ancak YOLOv5u bu yaklaşımı modernize eder. Çapasız bir ayrık Ultralytics başlığı benimseyerek, daha esnek ve uyarlanabilir bir tespit mekanizması sağlar ve sonuç olarak çeşitli senaryolarda performansı artırır.

• Optimize Edilmiş Doğruluk-Hız Dengesi: Hız ve doğruluk genellikle birbirine zıt yönlerde ilerler. Ancak YOLOv5u bu dengeye meydan okur. Doğruluktan ödün vermeden gerçek zamanlı tespitler sağlayan kalibre edilmiş bir denge sunar. Bu özellik, otonom araçlar, robotik ve gerçek zamanlı video analitiği gibi hızlı tepkiler gerektiren uygulamalar için özellikle paha biçilmezdir.

• Çeşitli Önceden Eğitilmiş Modeller: Farklı görevlerin farklı araç setleri gerektirdiğini anlayan YOLOv5u, çok sayıda önceden eğitilmiş model sunar. İster Çıkarım (Inference), ister Doğrulama (Validation) veya Eğitim (Training) üzerine odaklanıyor ol, seni bekleyen özel olarak hazırlanmış bir model vardır. Bu çeşitlilik, sadece herkese uyan tek bir çözüm kullanmanı değil, kendine özgü zorluğun için özel olarak ince ayar yapılmış bir model kullanmanı sağlar.

Link to this sectionDesteklenen Görevler ve Modlar#

Çeşitli önceden eğitilmiş ağırlıklara sahip YOLOv5u modelleri, Nesne Tespiti görevlerinde mükemmeldir. Geliştirmeden dağıtıma kadar çeşitli uygulamalar için uygun hale getiren kapsamlı bir mod yelpazesini desteklerler.

Bu tablo, YOLOv5u model varyantlarına ayrıntılı bir genel bakış sunarak nesne tespiti görevlerindeki uygulanabilirliklerini ve Çıkarım, Doğrulama, Eğitim ve Dışa Aktarma gibi çeşitli operasyonel modlar için desteğini vurgular. Bu kapsamlı destek, kullanıcıların YOLOv5u modellerinin yeteneklerinden çok çeşitli nesne tespiti senaryolarında tam olarak yararlanabilmelerini sağlar.

Link to this sectionPerformans Metrikleri#

Link to this sectionKullanım Örnekleri#

Bu örnek, basit YOLOv5 eğitimi ve çıkarım örnekleri sağlar. Bunlar ve diğer modlar hakkında tam dokümantasyon için Tahmin, Eğitim, Doğrulama ve Dışa Aktarma doküman sayfalarına bak.

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")

Link to this sectionAlıntılar ve Teşekkür#

Araştırmanda YOLOv5 veya YOLOv5u kullanıyorsan, lütfen Ultralytics YOLOv5 deposunu şu şekilde alıntıla:

@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}
}

Lütfen YOLOv5 modellerinin AGPL-3.0 ve Kurumsal lisanslar kapsamında sağlandığını unutma.

Link to this sectionSSS#

Link to this sectionUltralytics YOLOv5u nedir ve YOLOv5'ten farkı nedir?#

Ultralytics YOLOv5u, YOLOv5'in gelişmiş bir versiyonudur ve gerçek zamanlı nesne tespiti görevleri için doğruluk-hız dengesini artıran çapasız, nesnesiz ayrık baş yapısını entegre eder. Geleneksel YOLOv5'in aksine, YOLOv5u çapasız bir tespit mekanizması benimser, bu da onu çeşitli senaryolarda daha esnek ve uyarlanabilir hale getirir. Özellikleri hakkında daha ayrıntılı bilgi için YOLOv5 Genel Bakış bölümüne başvurabilirsin.

Link to this sectionÇapasız Ultralytics başlığı, YOLOv5u'da nesne tespiti performansını nasıl artırır?#

YOLOv5u'daki çapasız Ultralytics başlığı, önceden tanımlanmış çapa kutularına olan bağımlılığı ortadan kaldırarak nesne tespiti performansını artırır. Bu, çeşitli nesne boyutlarını ve şekillerini daha verimli bir şekilde işleyebilen daha esnek ve uyarlanabilir bir tespit mekanizması ile sonuçlanır. Bu iyileştirme, doğruluk ve hız arasında dengeli bir takasa doğrudan katkıda bulunur ve YOLOv5u'yu gerçek zamanlı uygulamalar için uygun hale getirir. Mimarisi hakkında daha fazla bilgiyi Temel Özellikler bölümünde öğrenebilirsin.

Link to this sectionÖnceden eğitilmiş YOLOv5u modellerini farklı görevler ve modlar için kullanabilir miyim?#

Evet, önceden eğitilmiş YOLOv5u modellerini Nesne Tespiti gibi çeşitli görevler için kullanabilirsin. Bu modeller, Çıkarım, Doğrulama, Eğitim ve Dışa Aktarma dahil olmak üzere birden fazla modu destekler. Bu esneklik, kullanıcıların YOLOv5u modellerinin yeteneklerinden farklı operasyonel gereksinimler doğrultusunda yararlanmalarını sağlar. Ayrıntılı bir genel bakış için Desteklenen Görevler ve Modlar bölümüne göz at.

Link to this sectionYOLOv5u modellerinin performans metrikleri farklı platformlarda nasıl karşılaştırılır?#

YOLOv5u modellerinin performans metrikleri, kullanılan platforma ve donanıma bağlı olarak değişir. Örneğin, YOLOv5nu modeli COCO veri setinde 34.3 mAP elde ederken, CPU üzerinde (ONNX) 73.6 ms ve A100 TensorRT üzerinde 1.06 ms hızına ulaşır. Farklı YOLOv5u modelleri için ayrıntılı performans metrikleri, çeşitli cihazlar arasında kapsamlı bir karşılaştırma sağlayan Performans Metrikleri bölümünde bulunabilir.

Link to this sectionUltralytics Python API kullanarak nasıl YOLOv5u modeli eğitebilirim?#

Önceden eğitilmiş bir modeli yükleyip veri setinle eğitim komutunu çalıştırarak bir YOLOv5u modeli eğitebilirsin. İşte hızlı bir örnek:

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)

Daha ayrıntılı talimatlar için Kullanım Örnekleri bölümünü ziyaret et.