Ultralytics YOLOv5#

Tổng quan#

YOLOv5u đại diện cho một bước tiến trong các phương pháp object detection. Bắt nguồn từ kiến trúc nền tảng của mô hình YOLOv5 do Ultralytics phát triển, YOLOv5u tích hợp phần đầu tách biệt không dùng anchor (anchor-free) và không dùng objectness (objectness-free), một tính năng trước đây đã được giới thiệu trong các mô hình YOLOv8. Sự thích ứng này tinh chỉnh kiến trúc của mô hình, dẫn đến sự cải thiện về sự đánh đổi giữa độ chính xác và tốc độ trong các tác vụ phát hiện đối tượng. Dựa trên các kết quả thực nghiệm và các tính năng bắt nguồn từ đó, YOLOv5u cung cấp một giải pháp thay thế hiệu quả cho những ai tìm kiếm các giải pháp mạnh mẽ trong cả nghiên cứu lẫn ứng dụng thực tế.

Tính năng chính#

• Head Ultralytics tách biệt không cần anchor: Các mô hình phát hiện đối tượng truyền thống dựa vào các anchor box được xác định trước để dự đoán vị trí đối tượng. Tuy nhiên, YOLOv5u hiện đại hóa phương pháp này. Bằng cách áp dụng head Ultralytics tách biệt không cần anchor, nó đảm bảo một cơ chế phát hiện linh hoạt và thích ứng hơn, nhờ đó nâng cao hiệu suất trong nhiều tình huống khác nhau.

• Đánh đổi tối ưu giữa độ chính xác và tốc độ: Tốc độ và độ chính xác thường kéo theo các hướng ngược nhau. Nhưng YOLOv5u thách thức sự đánh đổi này. Nó mang lại sự cân bằng được hiệu chuẩn, đảm bảo việc phát hiện thời gian thực mà không làm tổn hại đến độ chính xác. Tính năng này đặc biệt vô giá đối với các ứng dụng đòi hỏi phản hồi nhanh chóng, chẳng hạn như autonomous vehicles, robotics và phân tích video thời gian thực.

• Đa dạng các mô hình tiền huấn luyện: Hiểu rằng các tác vụ khác nhau đòi hỏi các bộ công cụ khác nhau, YOLOv5u cung cấp vô số các mô hình tiền huấn luyện. Cho dù bạn đang tập trung vào suy luận (Inference), xác thực (Validation) hay huấn luyện (Training), luôn có một mô hình được thiết kế riêng dành cho bạn. Sự đa dạng này đảm bảo bạn không chỉ sử dụng một giải pháp

Các tác vụ và chế độ được hỗ trợ#

Các mô hình YOLOv5u, với nhiều trọng số được huấn luyện trước khác nhau, xuất sắc trong các tác vụ Object Detection. Chúng hỗ trợ một loạt các chế độ toàn diện, làm cho chúng phù hợp với nhiều ứng dụng đa dạng, từ phát triển cho đến triển khai.

Bảng này cung cấp cái nhìn tổng quan chi tiết về các biến thể mô hình YOLOv5u, làm nổi bật khả năng áp dụng của chúng trong các tác vụ phát hiện đối tượng và hỗ trợ cho các chế độ hoạt động khác nhau như Inference, Validation, Training và Export. Hỗ trợ toàn diện này đảm bảo rằng người dùng có thể tận dụng tối đa các khả năng của các mô hình YOLOv5u trong một loạt các kịch bản phát hiện đối tượng.

Chỉ số hiệu suất#

Ví dụ Sử dụng#

Ví dụ này cung cấp các ví dụ đơn giản về huấn luyện và suy luận YOLOv5. Để có tài liệu đầy đủ về các modes này và các chế độ khác, hãy xem các trang tài liệu Predict, Train, Val và Export.

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")

Trích dẫn và Ghi nhận#

Nếu bạn sử dụng YOLOv5 hoặc YOLOv5u trong nghiên cứu của mình, vui lòng trích dẫn kho lưu trữ Ultralytics YOLOv5 như sau:

@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}
}

Xin lưu ý rằng các mô hình YOLOv5 được cung cấp theo giấy phép AGPL-3.0 và Enterprise.

Câu hỏi thường gặp#