Link to this sectionUltralytics YOLOv5#

Link to this section概述#

YOLOv5u 代表了目标检测方法的进步。YOLOv5u 源自 Ultralytics 开发的 YOLOv5 模型基础架构，并集成了 YOLOv8 模型中首次引入的无锚点（anchor-free）、无目标性（objectness-free）分割头。这种调整优化了模型的架构，从而在目标检测任务中实现了更佳的精度-速度权衡。基于经验结果及其派生特征，YOLOv5u 为在研究和实际应用中寻求稳健解决方案的用户提供了一个高效的替代方案。

Link to this section主要特性#

• 无锚点分割 Ultralytics Head： 传统目标检测模型依赖预定义的锚框来预测物体位置。然而，YOLOv5u 对此进行了现代化改造。通过采用无锚点分割 Ultralytics head，它确保了更灵活且自适应的检测机制，从而增强了在多种场景下的性能。

• 优化的精度-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，确保在不牺牲精度的情况下实现实时检测。这一特性对于自动驾驶、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 提供了大量的预训练模型。无论你关注的是推理、验证还是训练，都有一个为你量身定制的模型。这种多样性确保你使用的不是“万金油”式的解决方案，而是针对你的独特挑战专门微调的模型。

Link to this section支持的任务和模式#

YOLOv5u 模型带有各种预训练权重，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。

此表详细概述了 YOLOv5u 模型变体，重点介绍了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用户能够充分利用 YOLOv5u 模型在广泛的目标检测场景中的能力。

Link to this section性能指标#

Link to this section使用示例#

本示例提供了简单的 YOLOv5 训练和推理示例。有关这些模式及其他模式的完整文档，请参阅 Predict、Train、Val 和 Export 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 模型是根据 AGPL-3.0 和 Enterprise 许可提供的。

Link to this section常见问题#

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、无目标性分割头，增强了实时目标检测任务的精度-速度权衡。与传统的 YOLOv5 不同，YOLOv5u 采用了无锚点检测机制，使其在各种场景中更加灵活和自适应。有关其功能的更多详细信息，你可以参阅 YOLOv5 概述。

Link to this section无锚点 Ultralytics head 如何改善 YOLOv5u 中的目标检测性能？#

YOLOv5u 中的无锚点 Ultralytics head 通过消除对预定义锚框的依赖来改善目标检测性能。这产生了一种更灵活、更自适应的检测机制，能够以更高的效率处理各种物体尺寸和形状。这一增强直接有助于实现精度和速度之间的平衡，使 YOLOv5u 适用于实时应用。在 关键特性 部分了解有关其架构的更多信息。

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中利用 YOLOv5u 模型的能力。有关详细概述，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比较？#

YOLOv5u 模型的性能指标因所使用的平台和硬件而异。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 上为 1.06 ms。不同 YOLOv5u 模型的详细性能指标可在 性能指标 部分找到，该部分提供了跨各种设备的全面比较。

Link to this section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。这是一个简单的示例：

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)

有关更详细的说明，请访问 Usage Examples 部分。