─░├žeri─če ge├ž

YOLOv5

Genel Bak─▒┼č

YOLOv5u nesne alg─▒lama metodolojilerinde bir ilerlemeyi temsil etmektedir. YOLOv5u'nun temel mimarisinden kaynaklanan YOLOv5 taraf─▒ndan geli┼čtirilen YOLOv5u modeli, daha ├Ânce Ultralytics adresinde tan─▒t─▒lan bir ├Âzellik olan ├žapas─▒z, nesnesiz b├Âl├╝nm├╝┼č kafay─▒ entegre eder. YOLOv8 modelleri. Bu uyarlama, modelin mimarisini geli┼čtirerek nesne alg─▒lama g├Ârevlerinde do─čruluk-h─▒z dengesini iyile┼čtirir. Deneysel sonu├žlar ve t├╝retilen ├Âzellikler g├Âz ├Ân├╝ne al─▒nd─▒─č─▒nda, YOLOv5u hem ara┼čt─▒rma hem de pratik uygulamalarda sa─člam ├ž├Âz├╝mler arayanlar i├žin verimli bir alternatif sunmaktad─▒r.

Ultralytics YOLOv5

Temel ├ľzellikler

  • ├çapas─▒z Split Ultralytics Head: Geleneksel nesne alg─▒lama modelleri, nesne konumlar─▒n─▒ tahmin etmek i├žin ├Ânceden tan─▒mlanm─▒┼č ├žapa kutular─▒na dayan─▒r. Ancak YOLOv5u bu yakla┼č─▒m─▒ modernize eder. ├çapas─▒z b├Âl├╝nm├╝┼č bir Ultralytics kafas─▒ benimseyerek, daha esnek ve uyarlanabilir bir alg─▒lama mekanizmas─▒ sa─člar ve sonu├ž olarak ├že┼čitli senaryolarda performans─▒ art─▒r─▒r.

  • Optimize Edilmi┼č Do─čruluk-H─▒z ├ľd├╝nle┼čimi: H─▒z ve do─čruluk genellikle z─▒t y├Ânlere ├žekilir. Ancak YOLOv5u bu de─či┼č toku┼ča meydan okur. Kalibre edilmi┼č bir denge sunarak do─čruluktan ├Âd├╝n vermeden ger├žek zamanl─▒ tespitler sa─člar. Bu ├Âzellik ├Âzellikle otonom ara├žlar, robotik ve ger├žek zamanl─▒ video analiti─či gibi h─▒zl─▒ yan─▒t gerektiren uygulamalar i├žin ├žok de─čerlidir.

  • ├ľnceden E─čitilmi┼č Model ├çe┼čitlili─či: Farkl─▒ g├Ârevlerin farkl─▒ ara├ž setleri gerektirdi─čini anlayan YOLOv5u, ├žok say─▒da ├Ânceden e─čitilmi┼č model sunar. ─░ster ├ç─▒kar─▒m, Do─črulama veya E─čitim'e odaklan─▒yor olun, size ├Âzel bir model sizi bekliyor. Bu ├že┼čitlilik, yaln─▒zca herkese uyan tek bir ├ž├Âz├╝m de─čil, ayn─▒ zamanda benzersiz zorlu─čunuz i├žin ├Âzel olarak ince ayarlanm─▒┼č bir model kullanman─▒z─▒ sa─člar.

Desteklenen G├Ârevler ve Modlar

├ľnceden e─čitilmi┼č ├že┼čitli a─č─▒rl─▒klara sahip YOLOv5u modelleri, Nesne Alg─▒lama g├Ârevlerinde m├╝kemmeldir. Kapsaml─▒ bir mod yelpazesini desteklerler, bu da onlar─▒ geli┼čtirmeden da─č─▒t─▒ma kadar ├že┼čitli uygulamalar i├žin uygun hale getirir.

Model Tipi ├ľnceden E─čitilmi┼č A─č─▒rl─▒klar G├Ârev ├ç─▒kar─▒m Do─črulama E─čitim ─░hracat
YOLOv5u yolov5nu, yolov5su, yolov5mu, yolov5lu, yolov5xu, yolov5n6u, yolov5s6u, yolov5m6u, yolov5l6u, yolov5x6u Nesne Alg─▒lama Ôťů Ôťů Ôťů Ôťů

Bu tablo, YOLOv5u model varyantlar─▒na ayr─▒nt─▒l─▒ bir genel bak─▒┼č sunmakta, nesne alg─▒lama g├Ârevlerinde uygulanabilirliklerini ve ├ç─▒kar─▒m, Do─črulama, E─čitim ve D─▒┼ča Aktarma gibi ├že┼čitli operasyonel modlar i├žin desteklerini vurgulamaktad─▒r. Bu kapsaml─▒ destek, kullan─▒c─▒lar─▒n ├žok ├že┼čitli nesne alg─▒lama senaryolar─▒nda YOLOv5u modellerinin yeteneklerinden tam olarak yararlanabilmesini sa─člar.

Performans ├ľl├ž├╝tleri

Performans

├ľnceden e─čitilmi┼č 80 s─▒n─▒f i├žeren COCO ├╝zerinde e─čitilen bu modellerle kullan─▒m ├Ârnekleri i├žin Alg─▒lama Dok├╝manlar─▒ 'na bak─▒n.

Model YAML boyut
(piksel)
mAPval
50-95
H─▒z
CPU ONNX
(ms)
H─▒z
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

Kullan─▒m ├ľrnekleri

Bu ├Ârnek basit YOLOv5 e─čitim ve ├ž─▒kar─▒m ├Ârnekleri sa─člar. Bu ve di─čer modlar hakk─▒nda tam dok├╝mantasyon i├žin Predict, Train, Val ve Export docs sayfalar─▒na bak─▒n.

├ľrnek

PyTorch ├Ân e─čitimli *.pt modellerin yan─▒ s─▒ra yap─▒land─▒rma *.yaml dosyalar ┼ču dosyalara aktar─▒labilir YOLO() s─▒n─▒f─▒nda bir model ├Ârne─či olu┼čturmak i├žin 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 komutlar─▒ modelleri do─črudan ├žal─▒┼čt─▒rmak i├žin kullan─▒labilir:

# Load a COCO-pretrained YOLOv5n model and train it on the COCO8 example dataset for 100 epochs
yolo train model=yolov5n.pt data=coco8.yaml epochs=100 imgsz=640

# Load a COCO-pretrained YOLOv5n model and run inference on the 'bus.jpg' image
yolo predict model=yolov5n.pt source=path/to/bus.jpg

At─▒flar ve Te┼čekk├╝r

Ara┼čt─▒rman─▒zda YOLOv5 veya YOLOv5u kullan─▒yorsan─▒z, l├╝tfen Ultralytics YOLOv5 deposuna a┼ča─č─▒daki ┼čekilde at─▒fta bulunun:

@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}
}

L├╝tfen YOLOv5 modellerinin a┼ča─č─▒dakiler alt─▒nda sa─čland─▒─č─▒n─▒ unutmay─▒n AGPL-3.0 ve Kurumsal lisanslar.



Created 2023-11-12, Updated 2024-06-10
Authors: glenn-jocher (12), Burhan-Q (1)

Yorumlar