Ultralytics YOLOv5

نظرة عامة

يمثل YOLOv5u تطورًا في منهجيات الكشف عن الأجسام. انطلاقًا من البنية التأسيسية لنموذج YOLOv5 الذي طورته Ultralytics، يدمج YOLOv5u الرأس المنفصل الخالي من المرساة والخالي من الموضوعية، وهي ميزة تم تقديمها مسبقًا في نماذج YOLOv8. يعمل هذا التكيف على تحسين بنية النموذج، مما يؤدي إلى تحسين المفاضلة بين الدقة والسرعة في مهام الكشف عن الأجسام. بالنظر إلى النتائج التجريبية والميزات المشتقة منها، يوفر YOLOv5u بديلاً فعالاً لأولئك الذين يبحثون عن حلول قوية في كل من البحث والتطبيقات العملية.

الميزات الرئيسية

• رأس Ultralytics المنفصل الخالي من المرساة: تعتمد نماذج الكشف عن الأجسام التقليدية على مربعات مرساة محددة مسبقًا للتنبؤ بمواقع الأجسام. ومع ذلك، يقوم YOLOv5u بتحديث هذا النهج. من خلال اعتماد رأس Ultralytics منفصل خالي من المرساة، فإنه يضمن آلية كشف أكثر مرونة وقابلية للتكيف، وبالتالي تعزيز الأداء في سيناريوهات متنوعة.

• موازنة مُحسَّنة بين الدقة والسرعة: غالبًا ما تتجاذب السرعة والدقة في اتجاهين متعاكسين. ولكن YOLOv5u تتحدى هذه الموازنة. إنها توفر توازنًا معايرًا، مما يضمن عمليات الكشف في الوقت الفعلي دون المساومة على الدقة. هذه الميزة لا تقدر بثمن بشكل خاص للتطبيقات التي تتطلب استجابات سريعة، مثل المركبات ذاتية القيادة، و الروبوتات، وتحليلات الفيديو في الوقت الفعلي.

• مجموعة متنوعة من النماذج المدربة مسبقًا: إدراكًا لحقيقة أن المهام المختلفة تتطلب مجموعات أدوات مختلفة، يوفر YOLOv5u عددًا كبيرًا من النماذج المدربة مسبقًا. سواء كنت تركز على الاستدلال أو التحقق أو التدريب، فهناك نموذج مصمم خصيصًا في انتظارك. تضمن هذه المجموعة المتنوعة أنك لا تستخدم مجرد حل واحد يناسب الجميع، بل نموذج مصمم خصيصًا لمواجهة التحدي الفريد الذي تواجهه.

المهام والأوضاع المدعومة

تتفوق نماذج YOLOv5u، بأوزان مدربة مسبقًا مختلفة، في مهام الكشف عن الأجسام. وهي تدعم مجموعة شاملة من الأوضاع، مما يجعلها مناسبة للتطبيقات المتنوعة، من التطوير إلى النشر.

يوفر هذا الجدول نظرة عامة مفصلة عن متغيرات نموذج YOLOv5u، مع تسليط الضوء على قابليتها للتطبيق في مهام الكشف عن الأجسام ودعمها لأوضاع التشغيل المختلفة مثل الاستدلال و التحقق و التدريب و التصدير. يضمن هذا الدعم الشامل أن يتمكن المستخدمون من الاستفادة الكاملة من قدرات نماذج YOLOv5u في مجموعة واسعة من سيناريوهات الكشف عن الأجسام.

مقاييس الأداء

أمثلة الاستخدام

يوفر هذا المثال أمثلة بسيطة لتدريب واستنتاج YOLOv5. للحصول على الوثائق الكاملة حول هذه الأوضاع وغيرها، راجع صفحات وثائق التوقع و التدريب و التقييم و التصدير.

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")

# Load a COCO-pretrained YOLOv5n model and train it on the COCO8 example dataset for 100 epochs
yolo train model=yolov5n.pt data=coco8.yaml epochs=100 imgsz=640

# Load a COCO-pretrained YOLOv5n model and run inference on the 'bus.jpg' image
yolo predict model=yolov5n.pt source=path/to/bus.jpg

الاقتباسات والشكر والتقدير

إذا كنت تستخدم YOLOv5 أو YOLOv5u في بحثك، فيرجى الاستشهاد بمستودع Ultralytics YOLOv5 على النحو التالي:

@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}
}

يرجى ملاحظة أن نماذج YOLOv5 يتم توفيرها بموجب تراخيص AGPL-3.0 و Enterprise.

الأسئلة الشائعة

ما هو Ultralytics YOLOv5u وكيف يختلف عن YOLOv5؟

Ultralytics YOLOv5u هي نسخة متقدمة من YOLOv5، تدمج الرأس المنفصل الخالي من المرساة والخالي من الموضوعية الذي يعزز المفاضلة بين الدقة والسرعة لمهام الكشف عن الكائنات في الوقت الفعلي. على عكس YOLOv5 التقليدي، يعتمد YOLOv5u آلية كشف خالية من المرساة، مما يجعله أكثر مرونة وقدرة على التكيف في سيناريوهات متنوعة. لمزيد من المعلومات التفصيلية حول ميزاته، يمكنك الرجوع إلى نظرة عامة على YOLOv5.

كيف يحسن رأس Ultralytics الخالي من المرساة أداء الكشف عن الأجسام في YOLOv5u؟

يعمل رأس Ultralytics الخالي من المرساة في YOLOv5u على تحسين أداء الكشف عن الكائنات عن طريق إلغاء الاعتماد على مربعات المرساة المحددة مسبقًا. ينتج عن هذا آلية كشف أكثر مرونة وقدرة على التكيف يمكنها التعامل مع أحجام وأشكال الكائنات المختلفة بكفاءة أكبر. يساهم هذا التحسين بشكل مباشر في تحقيق توازن بين الدقة والسرعة، مما يجعل YOLOv5u مناسبًا للتطبيقات في الوقت الفعلي. تعرف على المزيد حول بنيته في قسم الميزات الرئيسية.

هل يمكنني استخدام نماذج YOLOv5u المدربة مسبقًا لمهام وأوضاع مختلفة؟

نعم، يمكنك استخدام نماذج YOLOv5u المدربة مسبقًا لمهام مختلفة مثل الكشف عن الكائنات. تدعم هذه النماذج أوضاعًا متعددة، بما في ذلك الاستنتاج و التحقق و التدريب و التصدير. تتيح هذه المرونة للمستخدمين الاستفادة من قدرات نماذج YOLOv5u عبر متطلبات التشغيل المختلفة. للحصول على نظرة عامة مفصلة، تحقق من قسم المهام والأوضاع المدعومة.

كيف تقارن مقاييس أداء نماذج YOLOv5u على منصات مختلفة؟

تختلف مقاييس أداء نماذج YOLOv5u اعتمادًا على النظام الأساسي والأجهزة المستخدمة. على سبيل المثال، يحقق نموذج YOLOv5nu قيمة 34.3 mAP على مجموعة بيانات COCO بسرعة 73.6 مللي ثانية على وحدة المعالجة المركزية (CPU) (ONNX) و 1.06 مللي ثانية على A100 TensorRT. يمكن العثور على مقاييس الأداء التفصيلية لنماذج YOLOv5u المختلفة في قسم مقاييس الأداء، والذي يوفر مقارنة شاملة عبر الأجهزة المختلفة.

كيف يمكنني تدريب نموذج YOLOv5u باستخدام Ultralytics Python API؟

يمكنك تدريب نموذج YOLOv5u عن طريق تحميل نموذج مدرب مسبقًا وتشغيل أمر التدريب مع مجموعة البيانات الخاصة بك. إليك مثال سريع:

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)

# Load a COCO-pretrained YOLOv5n model and train it on the COCO8 example dataset for 100 epochs
yolo train model=yolov5n.pt data=coco8.yaml epochs=100 imgsz=640

لمزيد من الإرشادات التفصيلية، قم بزيارة قسم أمثلة الاستخدام.

📅 أُنشئ منذ سنة واحدة ✏️ تم التحديث منذ 3 أشهر

تعليقات