YOLOv5u是基于 Ultralytics 开发的 YOLOv5 模型架构的高级版本,它集成了无锚点、无对象性分割头,提高了对象检测任务的准确性和速度。
在传统的对象检测模型中,通常依赖于预定义的锚点框来预测对象的位置。然而,YOLOv5u 采用了 Ultralytics无锚点分割头,提供了一个更灵活和适应性强的检测机制,从而在多种场景下提高了性能。这种改进直接促进了精度和速度之间的平衡,使得 YOLOv5u 适合于实时应用,如自动驾驶车辆、机器人技术和实时视频分析。
YOLOv5u 提供了多种预训练模型,以满足不同任务的需求。无论是关注推理、验证还是训练,都有为量身定制的模型。这种多样性确保不仅仅是在使用单一的解决方案,而是针对独特的挑战进行了特别调整的模型。
YOLOv5u模型在对象检测任务中表现出色,支持广泛的模式,使其适用于从开发到实施的各种应用。这些预训练模型支持多种操作模式,包括推理、验证、训练和导出,确保用户可以在广泛的对象检测场景中充分利用 YOLOv5u 模型的能力。
YOLOv5u模型的性能指标会根据所使用的平台和硬件而有所不同。例如,YOLOv5nu 模型在 COCO 数据集上达到了 34.3 的 mAP,CPU (ONNX) 的速度为 73.6 毫秒,A100 TensorRT 的速度为 1.06 毫秒。不同 YOLOv5u 模型的详细性能指标可以在性能指标部分找到,该部分提供了不同设备之间的全面比较。
from ultralytics import YOLO
# 加载一个预训练的 COCO YOLOv5n 模型
model = YOLO("yolov5n.pt")
# 显示模型信息(可选)
model.info()
# 在 COCO8 示例数据集上训练模型 100 个周期
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# 使用 YOLOv5n 模型在 'bus.jpg' 图像上运行推理
results = model("path/to/bus.jpg")