Ultralytics YOLOv5#

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，并集成了无锚框、无目标性分支头部——这一特性此前已在 YOLOv8模型中引入。这种改进优化了模型架构，使目标检测任务在准确率与速度之间取得更好的平衡。根据实测结果及其衍生特性，YOLOv5u 为寻求稳健解决方案的用户提供了高效选择，适用于研究和实际应用。

主要功能#

• 无锚框 Ultralytics 分支头：传统目标检测模型依赖预定义锚框来预测目标位置。而 YOLOv5u 对这种方法进行了现代化改进。它采用无锚框 Ultralytics 分支头，确保检测机制更加灵活、适应性更强，从而提升模型在多种场景下的性能。

• 优化准确率与速度的平衡：速度与准确率往往此消彼长，但 YOLOv5u 挑战了这种权衡。它实现了经过校准的平衡，确保实时检测的同时不牺牲准确率。这一特性对于需要快速响应的应用尤为重要，例如自动驾驶汽车、机器人和实时视频分析。

• 多种预训练模型：YOLOv5u 深知不同任务需要不同工具，因此提供了丰富的预训练模型。无论你专注于推理、验证还是训练，都能找到为你量身打造的模型。这些选择确保你用的不是一刀切的解决方案，而是专门针对你的独特挑战微调的模型。

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。模型支持全面的运行模式，适用于从开发到部署的各种应用。

此表详细概述了 YOLOv5u 的模型变体，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、训练和导出等多种运行模式的支持。这种全面的支持确保用户能够在各种目标检测场景中充分发挥 YOLOv5u 模型的能力。

性能指标#

使用示例#

此示例提供简单的 YOLOv5 训练和推理示例。如需了解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

# 加载使用 COCO 预训练的 YOLOv5nu 模型
model = YOLO("yolov5nu.pt")

# 显示模型信息（可选）
model.info()

# 使用 COCO8 示例数据集训练模型 100 个 epoch
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# 使用 YOLOv5nu 模型对“bus.jpg”图像运行推理
results = model("path/to/bus.jpg")

引用与致谢#

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 模型采用 AGPL-3.0 和企业版许可证提供。

常见问题#