YOLOv5
Genel Bakış
YOLOv5u nesne algılama metodolojilerinde bir ilerlemeyi temsil etmektedir. YOLOv5u'nun temel mimarisinden kaynaklanan YOLOv5 tarafından geliştirilen YOLOv5u modeli, daha önce Ultralytics adresinde tanıtılan bir özellik olan çapasız, nesnesiz bölünmüş kafayı entegre eder. YOLOv8 modelleri. Bu uyarlama, modelin mimarisini geliştirerek nesne algılama görevlerinde doğruluk-hız dengesini iyileştirir. Deneysel sonuçlar ve türetilen özellikler göz önüne alındığında, YOLOv5u hem araştırma hem de pratik uygulamalarda sağlam çözümler arayanlar için verimli bir alternatif sunmaktadır.
Temel Özellikler
-
Çapasız Split Ultralytics Head: Geleneksel nesne algılama modelleri, nesne konumlarını tahmin etmek için önceden tanımlanmış çapa kutularına dayanır. Ancak YOLOv5u bu yaklaşımı modernize eder. Çapasız bölünmüş bir Ultralytics kafası benimseyerek, daha esnek ve uyarlanabilir bir algılama mekanizması sağlar ve sonuç olarak çeşitli senaryolarda performansı artırır.
-
Optimize Edilmiş Doğruluk-Hız Ödünleşimi: Hız ve doğruluk genellikle zıt yönlere çekilir. Ancak YOLOv5u bu değiş tokuşa meydan okur. Kalibre edilmiş bir denge sunarak doğruluktan ödün vermeden gerçek zamanlı tespitler sağlar. Bu özellik özellikle otonom araçlar, robotik ve gerçek zamanlı video analitiği gibi hızlı yanıt gerektiren uygulamalar için çok değerlidir.
-
Önceden Eğitilmiş Model Çeşitliliği: Farklı görevlerin farklı araç setleri gerektirdiğini anlayan YOLOv5u, çok sayıda önceden eğitilmiş model sunar. İster Çıkarım, Doğrulama veya Eğitim'e odaklanıyor olun, size özel bir model sizi bekliyor. Bu çeşitlilik, yalnızca herkese uyan tek bir çözüm değil, aynı zamanda benzersiz zorluğunuz için özel olarak ince ayarlanmış bir model kullanmanızı sağlar.
Desteklenen Görevler ve Modlar
Önceden eğitilmiş çeşitli ağırlıklara sahip YOLOv5u modelleri, Nesne Algılama görevlerinde mükemmeldir. Kapsamlı bir mod yelpazesini desteklerler, bu da onları geliştirmeden dağıtıma kadar çeşitli uygulamalar için uygun hale getirir.
Model Tipi | Önceden Eğitilmiş Ağırlıklar | Görev | Çıkarım | Doğrulama | Eğitim | İhracat |
---|---|---|---|---|---|---|
YOLOv5u | yolov5nu , yolov5su , yolov5mu , yolov5lu , yolov5xu , yolov5n6u , yolov5s6u , yolov5m6u , yolov5l6u , yolov5x6u |
Nesne Algılama | ✅ | ✅ | ✅ | ✅ |
Bu tablo, YOLOv5u model varyantlarına ayrıntılı bir genel bakış sunmakta, nesne algılama görevlerinde uygulanabilirliklerini ve Çıkarım, Doğrulama, Eğitim ve Dışa Aktarma gibi çeşitli operasyonel modlar için desteklerini vurgulamaktadır. Bu kapsamlı destek, kullanıcıların çok çeşitli nesne algılama senaryolarında YOLOv5u modellerinin yeteneklerinden tam olarak yararlanabilmesini sağlar.
Performans Ölçütleri
Performans
Önceden eğitilmiş 80 sınıf içeren COCO üzerinde eğitilen bu modellerle kullanım örnekleri için Algılama Dokümanları 'na bakın.
Model | YAML | boyut (piksel) |
mAPval 50-95 |
Hız CPU ONNX (ms) |
Hız A100 TensorRT (ms) |
params (M) |
FLOP'lar (B) |
---|---|---|---|---|---|---|---|
yolov5nu.pt | yolov5n.yaml | 640 | 34.3 | 73.6 | 1.06 | 2.6 | 7.7 |
yolov5su.pt | yolov5s.yaml | 640 | 43.0 | 120.7 | 1.27 | 9.1 | 24.0 |
yolov5mu.pt | yolov5m.yaml | 640 | 49.0 | 233.9 | 1.86 | 25.1 | 64.2 |
yolov5lu.pt | yolov5l.yaml | 640 | 52.2 | 408.4 | 2.50 | 53.2 | 135.0 |
yolov5xu.pt | yolov5x.yaml | 640 | 53.2 | 763.2 | 3.81 | 97.2 | 246.4 |
yolov5n6u.pt | yolov5n6.yaml | 1280 | 42.1 | 211.0 | 1.83 | 4.3 | 7.8 |
yolov5s6u.pt | yolov5s6.yaml | 1280 | 48.6 | 422.6 | 2.34 | 15.3 | 24.6 |
yolov5m6u.pt | yolov5m6.yaml | 1280 | 53.6 | 810.9 | 4.36 | 41.2 | 65.7 |
yolov5l6u.pt | yolov5l6.yaml | 1280 | 55.7 | 1470.9 | 5.47 | 86.1 | 137.4 |
yolov5x6u.pt | yolov5x6.yaml | 1280 | 56.8 | 2436.5 | 8.98 | 155.4 | 250.7 |
Kullanım Örnekleri
Bu örnek basit YOLOv5 eğitim ve çıkarım örnekleri sağlar. Bu ve diğer modlar hakkında tam dokümantasyon için Predict, Train, Val ve Export docs sayfalarına bakın.
Örnek
PyTorch ön eğitimli *.pt
modellerin yanı sıra yapılandırma *.yaml
dosyalar şu dosyalara aktarılabilir YOLO()
sınıfında bir model örneği oluşturmak için python:
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')
CLI komutları modelleri doğrudan çalıştırmak için kullanılabilir:
Atıflar ve Teşekkür
Araştırmanızda YOLOv5 veya YOLOv5u kullanıyorsanız, lütfen Ultralytics YOLOv5 deposuna aşağıdaki şekilde atıfta bulunun:
Lütfen YOLOv5 modellerinin aşağıdakiler altında sağlandığını unutmayın AGPL-3.0 ve Kurumsal lisanslar.