Ultralytics YOLOv5#

概述#

YOLOv5u 代表了目标检测方法的一项进步。YOLOv5u 源自 Ultralytics 开发的 YOLOv5模型基础架构，并集成了无锚框、无 objectness 的分离头，这是此前在 YOLOv8模型中引入的一项特性。这种调整改进了模型架构，从而提升了目标检测任务中的准确率与速度权衡。鉴于其实证结果及其衍生特性，YOLOv5u 为寻求稳健解决方案的用户提供了一个高效替代方案，适用于研究和实际应用。

主要特性#

• **无锚框分离式 Ultralytics 头：**传统目标检测模型依赖预定义锚框来预测目标位置。然而，YOLOv5u 对这种方法进行了现代化改进。通过采用无锚框分离式 Ultralytics 头，它实现了更灵活、自适应的检测机制，从而提升了各种场景下的性能。

• **优化的准确率与速度权衡：**速度和准确率往往此消彼长。但 YOLOv5u 挑战了这种权衡。它提供了经过优化的平衡，在不牺牲准确率的情况下实现实时检测。这一特性对于需要快速响应的应用尤为重要，例如自动驾驶车辆、机器人技术和实时视频分析。

• **多种预训练模型：**YOLOv5u 了解不同任务需要不同的工具集，因此提供了大量预训练模型。无论你专注于推理、验证还是训练，都有为你量身定制的模型可用。这种多样性确保你使用的不是一套适用于所有情况的解决方案，而是专门针对独特挑战进行微调的模型。

支持的任务和模式#

YOLOv5u 模型配备多种预训练权重，在目标检测任务中表现出色。它们支持全面的模式，适用于从开发到部署的各种应用。

此表详细概述了 YOLOv5u 模型变体，重点介绍它们在目标检测任务中的适用性，以及对推理、验证、训练和导出等各种操作模式的支持。这种全面的支持确保你可以在广泛的目标检测场景中充分利用 YOLOv5u 模型的能力。

性能指标#

使用示例#

此示例提供了简单的 YOLOv5 训练和推理示例。有关这些模式和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 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")

引用和致谢#

如果你在研究中使用 YOLOv5 或 YOLOv5u，请按以下方式引用 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 模型根据 AGPL-3.0和企业版许可证提供。

常见问题#