Ultralytics YOLOv5

概述

YOLOv5u 代表了目标检测方法论的一次进步。YOLOv5u 源于 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）分裂头架构。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。基于实证结果及其衍生特性，对于寻求兼顾研究与实际应用稳健解决方案的用户而言，YOLOv5u 提供了一个高效的替代方案。

主要特性

• 无锚点分裂 Ultralytics 头： 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。通过采用无锚点分裂 Ultralytics 头，它确保了更灵活、更具适应性的检测机制，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。它提供了校准后的平衡，确保在不牺牲精度的前提下实现实时检测。这一特性对于自动驾驶、机器人技术和实时视频分析等需要快速响应的应用场景尤为宝贵。

• 多种预训练模型： 我们深知不同的任务需要不同的工具集，因此 YOLOv5u 提供了大量预训练模型。无论你专注于推理、验证还是训练，总有一款量身定制的模型在等着你。这种多样性确保你使用的不是“一刀切”的方案，而是专门针对你独特挑战进行微调的模型。

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优异。它们支持广泛的模式，使其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，突出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。

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")

引文与致谢

如果你在研究中使用了 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 模型根据 AGPL-3.0 和 Enterprise 许可证提供。

常见问题 (FAQ)

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、无目标性的分裂头，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，使其在不同场景下更具灵活性和适应性。有关其特性的更多详细信息，你可以参考YOLOv5 概述。

无锚点 Ultralytics 头如何提高 YOLOv5u 的目标检测性能？

YOLOv5u 中的无锚点 Ultralytics 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、更具适应性的检测机制，能够以更高的效率处理各种尺寸和形状的物体。这一增强直接有助于在精度和速度之间实现平衡的权衡，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。

我可以使用预训练的 YOLOv5u 模型进行不同的任务和模式吗？

可以，你可以将预训练的 YOLOv5u 模型用于多种任务，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利用 YOLOv5u 模型的能力。详细概述请查看支持的任务和模式部分。

YOLOv5u 模型的性能指标在不同平台上如何比较？

YOLOv5u 模型的性能指标根据所使用的平台和硬件而有所不同。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以在性能指标部分找到，该部分提供了跨各种设备的全面对比。

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)

欲了解更详细的说明，请访问使用示例部分。