Modelos Ultralytics YOLOv5

Ultralytics YOLOv5 se lanzó en 2020 con un flujo de trabajo PyTorch accesible que ayudó a hacer práctica la detección de objetos personalizada en tiempo real. El Ultralytics Python package actual admite los modelos de detección YOLOv5u actualizados sin anclas; los pesos del repositorio original de YOLOv5 utilizan una arquitectura diferente y no son compatibles con la biblioteca actual. Consulta la YOLOv5 documentation para obtener más detalles.

Los modelos YOLOv5u admitidos por la biblioteca actual de Ultralytics y el proyecto Platform están diseñados para la object detection. El repositorio histórico de YOLOv5 también lanzó variantes independientes de clasificación y segmentación, pero esas arquitecturas y pesos originales no son intercambiables con los modelos YOLOv5u actuales.

Empieza con el detector YOLOv5u nano o small cuando la latencia y el tamaño del modelo sean lo más importante. Medium equilibra velocidad y precisión para muchas cargas de trabajo, mientras que large y extra-large priorizan la precisión cuando se dispone de más potencia de computación. Compara los puntos de referencia de los modelos actuales en la YOLOv5 docs y, a continuación, valida los candidatos con tus propios datos.

Usa el train mode de la biblioteca Ultralytics con un punto de control de detección YOLOv5u actual, o abre el YOLOv5 project on Ultralytics Platform oficial para empezar con uno de sus modelos de detección. Tras el entrenamiento, usa el export mode para preparar el detector para el despliegue.

Sí. YOLOv5 sigue siendo compatible para proyectos y despliegues existentes. Ultralytics YOLO26 es el modelo estable más reciente y el punto de partida recomendado para nuevos proyectos, mientras que YOLOv5 sigue siendo útil cuando la compatibilidad con un flujo de trabajo establecido de YOLOv5 es importante.