Ultralytics YOLOv5#

Tổng quan#

YOLOv5u đại diện cho một bước tiến trong các phương pháp phát hiện đối tượng. Bắt nguồn từ kiến trúc nền tảng của model YOLOv5 do Ultralytics phát triển, YOLOv5u tích hợp split head không anchor và không objectness, một tính năng được giới thiệu trước đó trong các model YOLOv8. Sự điều chỉnh này tinh chỉnh kiến trúc model, mang lại sự cân bằng tốt hơn giữa độ chính xác và tốc độ trong các tác vụ phát hiện đối tượng. Dựa trên các kết quả thực nghiệm và những tính năng kế thừa, YOLOv5u cung cấp một lựa chọn hiệu quả cho những ai tìm kiếm các giải pháp mạnh mẽ trong cả nghiên cứu và ứng dụng thực tế.

Tính năng chính#

• Ultralytics Split Head Không Anchor: Các model 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 Ultralytics split head không anchor, model cung cấp cơ chế phát hiện linh hoạt và thích ứng hơn, từ đó cải thiện hiệu năng trong nhiều kịch bản khác nhau.

• Tối ưu hóa sự cân bằng giữa độ chính xác và tốc độ: Tốc độ và độ chính xác thường đi theo hai hướng ngược nhau. Tuy nhiên, YOLOv5u thách thức sự đánh đổi này. Model mang lại sự cân bằng được hiệu chỉnh, đảm bảo khả năng phát hiện theo thời gian thực mà không làm giảm độ chính xác. Tính năng này đặc biệt có giá trị đối với các ứng dụng yêu cầu phản hồi nhanh, chẳng hạn như xe tự hành, robotics và phân tích video theo thời gian thực.

• Đa dạng model pretrained: Nhận thức rằng các tác vụ khác nhau yêu cầu những bộ công cụ khác nhau, YOLOv5u cung cấp rất nhiều model pretrained. Dù bạn tập trung vào Inference, Validation hay Training, luôn có một model được thiết kế phù hợp đang chờ bạn. Sự đa dạng này đảm bảo bạn không chỉ sử dụng một giải pháp phù hợp cho mọi trường hợp, mà là một model được fine-tune riêng cho bài toán cụ thể của mình.

Các task và mode được hỗ trợ#

Các model YOLOv5u với nhiều pretrained weight khác nhau hoạt động xuất sắc trong các tác vụ Phát hiện đối tượng. Chúng hỗ trợ đầy đủ nhiều mode, phù hợp với các ứng dụng đa dạng từ phát triển đến triển khai.

Bảng này cung cấp tổng quan chi tiết về các biến thể model YOLOv5u, nêu bật khả năng áp dụng trong các tác vụ phát hiện đối tượng và hỗ trợ nhiều mode vận hành như Inference, Validation, Training và Export. Khả năng hỗ trợ toàn diện này đảm bảo người dùng có thể tận dụng đầy đủ các tính năng của model YOLOv5u trong nhiều kịch bản phát hiện đối tượng.

Metrics hiệu năng#

Ví dụ sử dụng#

Ví dụ này cung cấp các ví dụ đơn giản về training và inference YOLOv5. Để xem tài liệu đầy đủ về các mode này và các mode khác, hãy xem các trang tài liệu Predict, Train, Val và Export.

from ultralytics import YOLO

# Load a COCO-pretrained YOLOv5nu model
model = YOLO("yolov5nu.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 YOLOv5nu model on the 'bus.jpg' image
results = model("path/to/bus.jpg")

Trích dẫn và ghi nhận đóng góp#

Nếu sử dụng YOLOv5 hoặc YOLOv5u trong nghiên cứu, vui lòng trích dẫn repo 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 model YOLOv5 được cung cấp theo giấy phép AGPL-3.0 và Enterprise.

FAQ#