Ultralytics-YOLOv5-Modelle
Entwickle zuverlässige Echtzeit-Objekterkennung mit den aktuellen YOLOv5u-Modellen und dem Arbeitsablauf, der das Training und die Bereitstellung benutzerdefinierter Detektoren praktisch und zugänglich gemacht hat.
YOLOv5u-Objekterkennungsmodelle
Das aktuelle Ultralytics-Paket enthält aktualisierte anchor-free YOLOv5u-Objekterkennungsmodelle in fünf Größen – von Nano bis Extra-Large. Sie behalten den bewährten YOLOv5-Arbeitsablauf bei und verbessern zugleich das Verhältnis von Genauigkeit zu Geschwindigkeit. Wie alle Ultralytics-YOLO-Modelle lassen sie sich über dieselbe API trainieren, validieren, exportieren und bereitstellen.
pip install ultralyticsfrom ultralytics import YOLO
# Load a YOLOv5u model
model = YOLO("yolov5nu.pt")
# Run inference
results = model("image.jpg")| Modell | Größe (px) | mAP 50–95 | CPU ONNX (ms) | A100 TensorRT (ms) | Parameter (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| yolov5nu | 640 | 34.3 | 73.6 | 1.06 | 2.6 | 7.7 |
| yolov5su | 640 | 43.0 | 120.7 | 1.27 | 9.1 | 24.0 |
| yolov5mu | 640 | 49.0 | 233.9 | 1.86 | 25.1 | 64.2 |
| yolov5lu | 640 | 52.2 | 408.4 | 2.50 | 53.2 | 135.0 |
| yolov5xu | 640 | 53.2 | 763.2 | 3.81 | 97.2 | 246.4 |
Benchmarks der YOLOv5u-Objekterkennung mit 640 Pixeln aus der Ultralytics-Dokumentation; größere P6-Varianten mit 1280 Pixeln sind ebenfalls verfügbar.
Weltweit führende Organisationen vertrauen uns
Die Wirkung unserer Modelle
Optimiere Abläufe in verschiedenen Branchen mit unseren hochmodernen Vision-AI-Modellen. Ultralytics sorgt für Geschwindigkeit, Genauigkeit und einfache Bedienung.
Von YOLOv5 zum neuesten Ultralytics YOLO
Sieh dir an, wie sich der praktische YOLOv5-Arbeitsablauf zu einem einheitlichen Modellökosystem für Training und Bereitstellung weiterentwickelt hat.
Bis zu 10-mal schneller beschriften – mit intelligenter Annotation
Die Ultralytics Platform bietet dir ein Bild-Annotationstool, mit dem du schneller hochwertige Datensätze erstellst. Von intelligenter Annotation bis hin zu präziser manueller Bearbeitung: Diese Funktionen verkürzen die Zeit für die Bildbeschriftung, ohne die Qualität zu beeinträchtigen.
- Intelligente, von SAM unterstützte Annotation:Masken und Begrenzungsrahmen mit einem Klick.
- Unterstützung für alle KI-Aufgaben:Objekterkennung, Instanzsegmentierung, semantische Segmentierung, Klassifizierung, Posenschätzung, OBB.
- Unterstützung universeller Formate:Du hast die Wahl zwischen YOLO, COCO und mehr.
- Teamprüfung und Versionsverwaltung:Klare Zusammenarbeit bei jedem Schritt.
Trainiere günstiger auf den besten GPUs
26 NVIDIA-GPUs ab 0,24 $/Std. – von Ampere bis Blackwell. Keine Aufschläge, keine Mindestabnahme, keine Vertragsbindung.
Überall bereitstellen
Exportiere in 22 Formate und stelle sie auf Edge-Geräten, in der Cloud und auf Mobilgeräten bereit.
Lösungen für verschiedene Branchen entdecken
Erfahre, wie Teams Computer Vision von Ultralytics in Produktionsumgebungen einsetzen.
Landwirtschaft
Automobilindustrie
Gesundheitswesen
Logistik
Fertigung
Einzelhandel
Robotik
Häufig gestellte Fragen
Ultralytics YOLOv5 wurde 2020 mit einem leicht zugänglichen PyTorch-Arbeitsablauf eingeführt, der die praktische Nutzung benutzerdefinierter Echtzeit-Objekterkennung ermöglichte. Das aktuelle Ultralytics-Python-Paket unterstützt die aktualisierten anchor-free YOLOv5u-Objekterkennungsmodelle; Gewichte aus dem ursprünglichen YOLOv5-Repository verwenden eine andere Architektur und sind nicht mit der aktuellen Bibliothek kompatibel. Weitere Informationen findest du in der YOLOv5-Dokumentation.
Die YOLOv5u-Modelle, die von der aktuellen Ultralytics-Bibliothek und dem Platform-Projekt unterstützt werden, sind für die Objekterkennung ausgelegt. Im historischen YOLOv5-Repository wurden außerdem separate Varianten für Klassifizierung und Segmentierung veröffentlicht. Diese ursprünglichen Architekturen und Gewichte sind jedoch nicht mit den aktuellen YOLOv5u-Modellen austauschbar.
Beginne mit dem Nano- oder Small-Detektor von YOLOv5u, wenn Latenz und Modellgröße am wichtigsten sind. Medium bietet für viele Arbeitslasten ein ausgewogenes Verhältnis von Geschwindigkeit und Genauigkeit, während Large und Extra-Large die Genauigkeit priorisieren, wenn mehr Rechenleistung verfügbar ist. Vergleiche die aktuellen Modell-Benchmarks in der YOLOv5-Dokumentation und prüfe anschließend geeignete Modelle mit deinen eigenen Daten.
Verwende den Train-Modus der Ultralytics-Bibliothek mit einem aktuellen YOLOv5u-Prüfpunkt für die Objekterkennung oder öffne das offizielle YOLOv5-Projekt auf der Ultralytics Platform, um mit einem der dort verfügbaren Objekterkennungsmodelle zu beginnen. Verwende nach dem Training den Export-Modus, um den Detektor für die Bereitstellung vorzubereiten.
Ja. YOLOv5 wird weiterhin für bestehende Projekte und Bereitstellungen unterstützt. Ultralytics YOLO26 ist das neueste stabile Modell und wird für neue Projekte empfohlen. YOLOv5 bleibt eine gute Wahl, wenn die Kompatibilität mit einer bestehenden YOLOv5-Pipeline wichtig ist.
Entwickle mit Ultralytics YOLOv5
Trainiere, validiere, exportiere und stelle aktuelle YOLOv5u-Objekterkennungsmodelle mit der Ultralytics Platform bereit.