Ultralytics YOLOv5#

Genel Bakış#

YOLOv5u, nesne algılama metodolojilerindeki bir gelişmeyi temsil eder. Ultralytics tarafından geliştirilen YOLOv5 modelinin temel mimarisinden türetilen YOLOv5u, daha önce YOLOv8 modellerinde sunulan çıpasız (anchor-free), nesnesizlik (objectness-free) özellikli bölünmüş başlığı entegre eder. Bu uyarlama, modelin mimarisini iyileştirerek nesne algılama görevlerinde daha iyi bir doğruluk-hız dengesi sağlar. Deneysel sonuçlar ve türetilmiş özellikleri göz önüne alındığında YOLOv5u, hem araştırmada hem de pratik uygulamalarda sağlam çözümler arayanlar için verimli bir alternatif sunar.

Temel 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 zıt yönlere çeker. Ancak YOLOv5u bu dengeye meydan okur. Doğruluktan ödün vermeden gerçek zamanlı algılamalar sağlayarak kalibre edilmiş bir denge sunar. Bu özellik, otonom araçlar, robotik ve gerçek zamanlı video analitiği gibi hızlı yanıtlar gerektiren uygulamalar için özellikle değerlidir.

• 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.

Desteklenen Görevler ve Modlar#

Çeşitli ön eğitilmiş ağırlıklara sahip YOLOv5u modelleri, Nesne Algılama görevlerinde üstün başarı gösterir. Kapsamlı mod yelpazesini destekleyerek geliştirmeden daıtıma kadar çeşitli uygulamalar için uygun hale gelir.

Bu tablo, nesne algılama görevlerindeki uygulanabilirliklerini ve Çıkarım, Doğrulama, Eğitim ve Dışa Aktarma gibi çeşitli operasyonel modlar için desteği vurgulayarak YOLOv5u model varyantlarına ayrıntılı bir genel bakış sağlar. Bu kapsamlı destek, kullanıcıların çok çeşitli nesne algılama senaryolarında YOLOv5u modellerinin yeteneklerinden tam olarak yararlanabilmesini sağlar.

Performans Metrikleri#

Kullanım Örnekleri#

Bu örnek, basit YOLOv5 eğitim ve çıkarım örnekleri sağlar. Bunlar ve diğer modlar hakkındaki tam dokümantasyon için Tahmin, Eğit, Doğrula ve Dışa Aktar dokümantasyon 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")

Alıntılar 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 Enterprise lisansları altında sağlandığını unutma.

SSS#

Ultralytics YOLOv5u nedir ve YOLOv5'ten farkı nedir?#

Ultralytics YOLOv5u, gerçek zamanlı nesne algılama görevleri için doğruluk-hız dengesini artıran çıpasız, nesnesizlik özellikli bölünmüş başlığı entegre eden YOLOv5'in gelişmiş bir versiyonudur. Geleneksel YOLOv5'in aksine YOLOv5u, çıpasız bir algılama mekanizması benimseyerek onu farklı senaryolarda daha esnek ve uyarlanabilir hale getirir. Özellikleri hakkında daha ayrıntılı bilgi için YOLOv5 Genel Bakış bölümüne bakabilirsin.

Çapasız Ultralytics başlığı, YOLOv5u'da nesne tespiti performansını nasıl artırır?#

YOLOv5u'daki çıpasız Ultralytics başlığı, önceden tanımlanmış çıpa kutularına olan bağımlılığı ortadan kaldırarak nesne algılama performansını artırır. Bu durum, çeşitli nesne boyutlarını ve şekillerini daha yüksek verimlilikle işleyebilen daha esnek ve uyarlanabilir bir algılama mekanizması sağlar. Bu iyileştirme, doğruluk ile hız arasında dengeli bir takasa doğrudan katkıda bulunarak YOLOv5u'yu gerçek zamanlı uygulamalar için uygun hale getirir. Mimarisi hakkında daha fazla bilgiyi Temel Özellikler bölümünde bulabilirsin.

Önceden eğitilmiş YOLOv5u modellerini farklı görevler ve modlar için kullanabilir miyim?#

Evet, ön eğitilmiş YOLOv5u modellerini Nesne Algılama gibi çeşitli görevler için kullanabilirsin. Bu modeller; Çıkarım, Doğrulama, Eğitim ve Dışa Aktarma dahil olmak üzere birden çok modu destekler. Bu esneklik, kullanıcıların farklı operasyonel gereksinimler doğrultusunda YOLOv5u modellerinin yeteneklerinden yararlanmasına olanak tanır. Ayrıntılı bir genel bakış için Desteklenen Görevler ve Modlar bölümünü kontrol et.

YOLOv5u modellerinin performans metrikleri farklı platformlarda nasıl karşılaştırılır?#

YOLOv5u modellerinin performans metrikleri kullanılan platforma ve donanıma bağlı olarak değişir. Örneğin YOLOv5nu modeli, CPU (ONNX) üzerinde 73.6 ms ve A100 TensorRT üzerinde 1.06 ms hız ile COCO veri kümesinde 34.3 mAP elde eder. Farklı YOLOv5u modellerine ait ayrıntılı performans metrikleri, çeşitli cihazlar arasında kapsamlı bir karşılaştırma sunan Performans Metrikleri bölümünde bulunabilir.

Ultralytics 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.