Ultralytics YOLOv5#

Genel Bakış#

YOLOv5u, nesne algılama metodolojilerinde bir ilerlemeyi temsil eder. Ultralytics tarafından geliştirilen YOLOv5 modelinin temel mimarisinden türetilen YOLOv5u, daha önce YOLOv8 modellerinde tanıtılan ankorsuz ve nesne olasılığı içermeyen ayrık başlığı entegre eder. Bu uyarlama, modelin mimarisini iyileştirerek nesne algılama görevlerinde doğruluk-hız dengesini geliştirir. Ampirik sonuçları ve türetilen özellikleri göz önünde bulundurulduğunda YOLOv5u, hem araştırma hem de pratik uygulamalarda sağlam çözümler arayanlar için verimli bir alternatif sunar.

Temel Özellikler#

• Ankorsuz Ayrık Ultralytics Başlığı: Geleneksel nesne algılama modelleri, nesne konumlarını tahmin etmek için önceden tanımlanmış ankor kutularına dayanır. Ancak YOLOv5u bu yaklaşımı modernleştirir. Ankorsuz ayrık bir Ultralytics başlığı benimseyerek daha esnek ve uyarlanabilir bir algılama mekanizması sağlar ve bunun sonucunda çeşitli senaryolardaki performansı artırır.

• Optimize Edilmiş Doğruluk-Hız Dengesi: Hız ve doğruluk çoğu zaman zıt yönlerde ilerler. Ancak YOLOv5u bu dengeyi sorgular. Doğruluktan ödün vermeden gerçek zamanlı algılamalar sağlayan, hassas biçimde ayarlanmış bir denge sunar. Bu özellik, otonom araçlar, robotik ve gerçek zamanlı video analizi gibi hızlı yanıt gerektiren uygulamalar için özellikle değerlidir.

• Çeşitli Önceden Eğitilmiş Modeller: Farklı görevlerin farklı araç setleri gerektirdiğini bilen YOLOv5u, çok sayıda önceden eğitilmiş model sunar. İster Çıkarım, ister Doğrulama ya da Eğitim üzerinde çalışıyor ol, seni bekleyen amacına özel bir model vardır. Bu çeşitlilik, herkese uyan tek bir çözüm kullanmanı değil, benzersiz sorununa özel olarak ince ayarlanmış bir model kullanmanı sağlar.

Desteklenen Görevler ve Modlar#

Çeşitli önceden eğitilmiş ağırlıklara sahip YOLOv5u modelleri, Nesne Algılama görevlerinde üstün performans gösterir. Geliştirmeden dağıtıma kadar çeşitli uygulamalar için uygun olmalarını sağlayan kapsamlı bir mod aralığını desteklerler.

Bu tablo, YOLOv5u model varyantlarına ayrıntılı bir genel bakış sunarak bunların nesne algılama görevlerindeki uygunluğunu ve Çıkarım, Doğrulama, Eğitim ve Dışa Aktarma gibi çeşitli işlem modlarını desteklediğini vurgular. Bu kapsamlı destek, kullanıcıların çok çeşitli nesne algılama senaryolarında YOLOv5u modellerinin yeteneklerinden tam olarak yararlanmasını sağlar.

Performans Metrikleri#

Kullanım Örnekleri#

Bu örnek, basit YOLOv5 eğitim ve çıkarım örnekleri sunar. Bunlar ve diğer modlar hakkında eksiksiz belgeler için Tahmin, Eğitim, Doğrulama ve Dışa Aktarma belge sayfalarına bak.

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")

Atıflar ve Teşekkürler#

Araştırmanda YOLOv5 veya YOLOv5u kullanıyorsan Ultralytics YOLOv5 deposuna aşağıdaki şekilde atıf yap:

@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}
}

YOLOv5 modellerinin AGPL-3.0 ve Kurumsal lisanslar kapsamında sunulduğunu lütfen unutma.

SSS#