Ultralytics YOLOv5#

Genel Bakış#

YOLOv5u, nesne algılama yöntemlerinde bir ilerlemeyi temsil eder. Ultralytics tarafından geliştirilen YOLOv5 modelinin temel mimarisinden yola çıkan YOLOv5u, daha önce YOLOv8 modellerinde sunulan çapasız ve nesne olasılığı içermeyen ayrık başlığı entegre eder. Bu uyarlama, modelin mimarisini iyileştirerek nesne algılama görevlerinde doğruluk-hız dengesini geliştirir. Deneysel sonuçlar ve türetilen özellikler göz önüne alındığında YOLOv5u, hem araştırma hem de pratik uygulamalarda güçlü çözümler arayanlara verimli bir alternatif sunar.

Temel Özellikler#

• Çapasız Ayrık Ultralytics Başlığı: Geleneksel nesne algılama modelleri, nesne konumlarını tahmin etmek için önceden tanımlanmış çapa kutularına dayanır. Ancak YOLOv5u bu yaklaşımı modernleştirir. Çapasız ayrık Ultralytics başlığını benimseyerek daha esnek ve uyarlanabilir bir algılama mekanizması sunar ve böylece farklı senaryolardaki performansı artırır.

• Optimize Edilmiş Doğruluk-Hız Dengesi: Hız ve doğruluk çoğu zaman birbirini olumsuz etkiler. Ancak YOLOv5u bu dengeyi sorgular. Doğruluktan ödün vermeden gerçek zamanlı algılama sağlayan dengeli bir yaklaşım sunar. Bu özellik, özellikle otonom araçlar, robotik ve gerçek zamanlı video analizi gibi hızlı yanıt gerektiren uygulamalar için çok değerlidir.

• Çeşitli Önceden Eğitilmiş Modeller: Farklı görevlerin farklı araçlar gerektirdiğini göz önünde bulunduran YOLOv5u, çok sayıda önceden eğitilmiş model sunar. Çıkarım, Doğrulama veya Eğitim üzerinde çalışıyor olman fark etmez; sana özel bir model hazır. Bu çeşitlilik, herkese uyan tek bir çözümü kullanmak yerine, benzersiz ihtiyacına göre ince ayarlanmış bir model kullanmanı sağlar.

Desteklenen Görevler ve Modlar#

YOLOv5u modelleri, çeşitli önceden eğitilmiş ağırlıklarıyla Nesne Algılama görevlerinde üstün performans gösterir. Geliştirmeden dağıtıma kadar farklı uygulamalara uygun olmalarını sağlayan kapsamlı bir mod yelpazesini destekler.

Bu tablo, YOLOv5u model çeşitlerine ilişkin ayrıntılı bir genel bakış sunar; modellerin nesne algılama görevlerindeki kullanım uygunluğunu ve Çıkarım, Doğrulama, Eğitim ve Dışa Aktarma gibi çeşitli çalışma modlarını desteklemesini öne çıkarır. Bu kapsamlı destek, kullanıcıların YOLOv5u modellerinin yeteneklerinden çok çeşitli nesne algılama senaryolarında tam anlamıyla yararlanmasını sağlar.

Performans Metrikleri#

Kullanım Örnekleri#

Bu örnekte basit YOLOv5 eğitim ve çıkarım örnekleri sunulmaktadır. Bunlar ve diğer modlar hakkında eksiksiz belgeler için Tahmin, Eğitim, Doğrulama ve Dışa Aktarma doküman sayfalarına bak.

from ultralytics import YOLO

# COCO ile önceden eğitilmiş bir YOLOv5nu modelini yükle
model = YOLO("yolov5nu.pt")

# Model bilgilerini görüntüle (isteğe bağlı)
model.info()

# Modeli COCO8 örnek veri kümesinde 100 dönem boyunca eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# 'bus.jpg' görüntüsünde YOLOv5nu modeliyle çıkarım yap
results = model("path/to/bus.jpg")

Atıflar ve Teşekkürler#

Araştırmanda YOLOv5 veya YOLOv5u kullanıyorsan lütfen Ultralytics YOLOv5 deposunu aşağıdaki gibi kaynak göster:

@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 lisansları kapsamında sunulduğunu lütfen unutma.

Sık Sorulan Sorular#