YOLOv5u是Ultralytics公司开发的新一代目标检测模型,它继承了 YOLOv8 模型中的无锚点和分割头技术。这种架构的改进使得模型在目标检测任务中达到了更优的准确率和速度的平衡。基于实验结果和衍生特性,YOLOv5u 为那些在研究和实际应用中寻求强大解决方案的人提供了一个高效的选择。
传统的目标检测模型依赖于预定义的锚点框来预测物体的位置。然而,YOLOv5u 通过使用Ultralytics的无锚点分割头现代化了这一方法。这种无锚点分割头提供了一个更灵活和适应性强的检测机制,提高了不同场景下的性能。
速度和准确率往往是相互对立的。但是YOLOv5u挑战了这种折衷。它提供了一个调整好的平衡,确保了实时检测而不影响准确率。这一特性对于需要快速反应的应用来说尤其宝贵,例如自动驾驶汽车、机器人技术和实时视频分析。
理解到不同任务需要不同的工具集,YOLOv5u提供了多种预训练模型。无论专注于输出、验证还是训练,都有为量身定制的模型。这种多样性确保使用的不仅仅是一个通用的解决方案,而是一个特别为独特任务调整的模型。
YOLOv5u 模型配备了不同的预训练权重,能够很好地处理目标检测任务。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。
YOLOv5u 模型在不同平台上的性能指标会有所不同,这取决于所使用的平台和硬件。例如,YOLOv5nu 模型在 COCO 数据集上达到 34.3 mAP,CPU (ONNX) 上的速度为 73.6 毫秒,A100 TensorRT 上的速度为 1.06 毫秒。可以在性能指标部分找到不同 YOLOv5u 模型的详细性能比较。
from ultralytics import YOLO
# 加载一个 COCO 预训练的 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
)