Ultralytics YOLOv5#

Tổng quan#

YOLOv5u là 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 head tách không cần anchor và không cần objectness, một tính năng trước đó được giới thiệu trong các model YOLOv8. Bản điều chỉnh này cải tiến kiến trúc model, giúp cân bằng tốt hơn giữa độ chính xác và tốc độ trong các tác vụ phát hiện đối tượng. Dựa trên kết quả thực nghiệm và các tính năng kế thừa, YOLOv5u là lựa chọn thay thế hiệu quả cho những ai cần giải pháp mạnh mẽ trong cả nghiên cứu lẫn ứng dụng thực tế.

Tính năng chính#

• Head Ultralytics tách không cần anchor: Các model phát hiện đối tượng truyền thống dựa vào các hộp anchor được xác định trước để dự đoán vị trí đối tượng. Tuy nhiên, YOLOv5u hiện đại hóa phương pháp này. Bằng cách sử dụng head Ultralytics tách không cần anchor, model đảm bảo cơ chế phát hiện linh hoạt và thích ứng hơn, từ đó cải thiện hiệu suất trong nhiều tình huống khác nhau.

• Cân bằng tối ưu giữa độ chính xác và tốc độ: Tốc độ và độ chính xác thường đối nghịch nhau. Tuy nhiên, YOLOv5u phá vỡ sự đánh đổi này. Model đem lại sự cân bằng được hiệu chỉnh, đảm bảo khả năng phát hiện thời gian thực mà không làm giảm độ chính xác. Tính năng này đặc biệt hữu ích cho các ứng dụng cần phản hồi nhanh, chẳng hạn như xe tự hành, robotics và phân tích video thời gian thực.

• Đa dạng model pretrained: Hiểu rằng mỗi tác vụ cần bộ công cụ riêng, YOLOv5u cung cấp nhiều model pretrained. Dù bạn tập trung vào Inference, Validation hay Training, luôn có model được thiết kế phù hợp đang chờ bạn. Sự đa dạng này đảm bảo bạn không chỉ sử dụng một giải pháp chung cho mọi trường hợp mà còn có model được tinh chỉnh riêng cho thách thức cụ thể của mình.

Các tác vụ và chế độ được hỗ trợ#

Các model YOLOv5u với nhiều trọng số pretrained khác nhau hoạt động xuất sắc trong các tác vụ Phát hiện đối tượng. Model hỗ trợ đầy đủ nhiều chế độ, 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 ứng dụng trong các tác vụ phát hiện đối tượng và hỗ trợ nhiều chế độ vận hành như Inference, Validation, Training và Export. Khả năng hỗ trợ toàn diện này đảm bảo người dùng có thể khai thác đầy đủ năng lực của các model YOLOv5u trong nhiều tình huống phát hiện đối tượng.

Chỉ số hiệu năng#

Ví dụ sử dụng#

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

from ultralytics import YOLO

# Tải model YOLOv5nu pretrained trên COCO
model = YOLO("yolov5nu.pt")

# Hiển thị thông tin model (không bắt buộc)
model.info()

# Huấn luyện model trên dataset mẫu COCO8 trong 100 epoch
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Chạy inference bằng model YOLOv5nu trên ảnh 'bus.jpg'
results = model("path/to/bus.jpg")

Trích dẫn và lời cảm ơn#

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.

Câu hỏi thường gặp#