Link to this sectionUltralytics YOLOv5#

Link to this section概述#

YOLOv5u 代表了目标检测方法论的一项进步。YOLOv5u 源自 Ultralytics 开发的 YOLOv5 模型基础架构，集成了此前在 YOLOv8 模型中引入的无锚点 (anchor-free)、无目标性 (objectness-free) 分离头。这一改进优化了模型架构，从而在目标检测任务中实现了更佳的精度与速度权衡。鉴于其经验证的结果和衍生特性，对于那些在研究和实际应用中寻求稳健解决方案的用户，YOLOv5u 提供了一种高效的替代方案。

Link to this section主要特性#

• 无锚点分离式 Ultralytics 检测头： 传统的目标检测模型依赖预定义的锚框来预测物体位置。然而，YOLOv5u 对这一方法进行了现代化升级。通过采用无锚点分离式 Ultralytics 检测头，它确保了更灵活、更具自适应性的检测机制，从而在多种场景中提升了性能。

• 优化的精度与速度权衡： 速度和精度往往是此消彼长的。但 YOLOv5u 挑战了这一权衡。它提供了经过校准的平衡，在确保实时检测的同时不牺牲精度。对于自动驾驶、机器人以及实时视频分析等需要快速响应的应用场景，该特性尤为宝贵。

• 多种预训练模型： 考虑到不同任务需要不同的工具集，YOLOv5u 提供了丰富的预训练模型。无论你专注于推理 (Inference)、验证 (Validation) 还是训练 (Training)，总有一款量身定制的模型在等你。这种多样性确保了你使用的不再是“万金油”式的通用方案，而是针对你独特挑战专门微调过的模型。

Link to this section支持的任务和模式#

YOLOv5u 模型拥有多种预训练权重，在目标检测任务中表现出色。它们支持多种模式，使其适用于从开发到部署的各种应用场景。

本表提供了 YOLOv5u 模型变体的详细概览，突显了它们在目标检测任务中的适用性，并支持包括推理、验证、训练和导出在内的各种操作模式。这种全面的支持确保了用户可以在广泛的目标检测场景中充分发挥 YOLOv5u 模型的潜力。

Link to this section性能指标#

Link to this section使用示例#

此示例提供了简单的 YOLOv5 训练和推理示例。有关这些及其他模式的完整文档，请参阅预测、训练、验证和导出文档页面。

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")

Link to this section引用与致谢#

如果你在研究中使用 YOLOv5 或 YOLOv5u，请按如下方式引用 Ultralytics YOLOv5 仓库：

@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}
}

请注意，YOLOv5 模型是在 AGPL-3.0 和企业级许可下提供的。

Link to this section常见问题解答#

Link to this section什么是 Ultralytics YOLOv5u？它与 YOLOv5 有何不同？#

Ultralytics YOLOv5u 是 YOLOv5 的高级版本，集成了无锚点、无目标性的分离头，增强了实时目标检测任务中的精度-速度权衡。与传统的 YOLOv5 不同，YOLOv5u 采用了无锚点检测机制，使其在不同场景中更具灵活性和自适应性。如需了解其特性的更多详细信息，可以参阅 YOLOv5 概览。

Link to this section无锚点 Ultralytics 检测头如何提高 YOLOv5u 的目标检测性能？#

YOLOv5u 中的无锚点 Ultralytics 检测头通过消除对预定义锚框的依赖来提高目标检测性能。这带来了一种更灵活、更具自适应性的检测机制，能够以更高的效率处理各种物体尺寸和形状。这一增强功能直接有助于在精度和速度之间取得平衡，使 YOLOv5u 适用于实时应用。在关键特性部分了解更多关于其架构的信息。

Link to this section我可以使用预训练的 YOLOv5u 模型进行不同的任务和模式吗？#

是的，你可以将预训练的 YOLOv5u 模型用于各种任务，例如目标检测。这些模型支持多种模式，包括推理、验证、训练和导出。这种灵活性允许用户在不同的操作需求下发挥 YOLOv5u 模型的能力。如需详细概览，请查看支持的任务和模式部分。

Link to this sectionYOLOv5u 模型的性能指标在不同平台上如何对比？#

YOLOv5u 模型的性能指标会根据所使用的平台和硬件而变化。例如，YOLOv5nu 模型在 COCO 数据集上实现了 34.3 的 mAP，在 CPU (ONNX) 上的速度为 73.6 ms，在 A100 TensorRT 上的速度为 1.06 ms。不同 YOLOv5u 模型的详细性能指标可以在性能指标部分找到，该部分提供了跨不同设备的全面对比。

Link to this section我该如何使用 Ultralytics Python API 训练 YOLOv5u 模型？#

你可以通过加载预训练模型并使用你的数据集运行训练命令来训练 YOLOv5u 模型。以下是一个简单的示例：

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)

如需更详细的说明，请访问使用示例部分。