Modèles Ultralytics YOLOv5
Construis une détection d'objets en temps réel fiable avec les modèles YOLOv5u actuels et le workflow qui a rendu l'entraînement et le déploiement de détecteurs personnalisés pratiques et accessibles.
Modèles de détection YOLOv5u
Le package Ultralytics actuel intègre des modèles de détection YOLOv5u sans ancres mis à jour en cinq tailles, de nano à extra-large. Ils conservent le workflow éprouvé de YOLOv5 tout en améliorant l'équilibre entre précision et vitesse, et tu peux les entraîner, les valider, les exporter et les déployer via la même API que tous les modèles Ultralytics YOLO.
pip install ultralyticsfrom ultralytics import YOLO
# Load a YOLOv5u model
model = YOLO("yolov5nu.pt")
# Run inference
results = model("image.jpg")| Modèle | Taille (px) | mAP 50-95 | CPU ONNX (ms) | A100 TensorRT (ms) | Params (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 de détection YOLOv5u à 640 pixels issus de la documentation Ultralytics ; des variantes P6 plus grandes à 1280 pixels sont également disponibles.
Approuvé par les organisations leaders dans le monde
L'impact de nos modèles
Optimise tes processus dans tous les secteurs grâce à nos modèles de vision par ordinateur de pointe. Vitesse, précision et facilité d'utilisation propulsées par Ultralytics.
De YOLOv5 au dernier Ultralytics YOLO
Découvre comment le workflow pratique de YOLOv5 a évolué en un écosystème de modèles unifié pour l'entraînement et le déploiement.
Étiquette jusqu'à 10 fois plus vite grâce à l'annotation intelligente
La plateforme Ultralytics te fournit l'outil d'annotation d'images pour créer des jeux de données de haute qualité plus rapidement. De l'annotation intelligente à l'édition manuelle précise, ces fonctionnalités sont conçues pour réduire le temps d'étiquetage des images sans sacrifier la qualité.
- Annotation intelligente propulsée par SAM : Masques et BBox en un seul clic.
- Couverture complète des tâches d'IA : Détection, segmentation d'instance, segmentation sémantique, classification, pose, OBB.
- Prise en charge universelle des formats : Ton choix de YOLO, COCO, et plus encore.
- Revue d'équipe et versioning : Une collaboration claire à chaque étape.
Entraîne sur les meilleurs GPU pour moins cher
26 GPU NVIDIA à partir de 0,24 $/heure — de Ampere à Blackwell. Pas de majoration, pas de minimum, pas d'engagement.
Explorer les solutions industrielles
Découvre comment les équipes appliquent la vision par ordinateur d'Ultralytics dans les environnements de production.
IA dans l'agriculture
IA dans l'automobile
IA dans la santé
IA dans la logistique
IA dans la fabrication
IA dans le commerce de détail
IA en robotique
IA dans l'agriculture
IA dans l'automobile
IA dans la santé
IA dans la logistique
IA dans la fabrication
IA dans le commerce de détail
IA en robotique
IA dans l'agriculture
IA dans l'automobile
IA dans la santé
IA dans la logistique
IA dans la fabrication
IA dans le commerce de détail
IA en robotique
Questions fréquemment posées
Ultralytics YOLOv5 a été lancé en 2020 avec un workflow PyTorch accessible qui a aidé à rendre la détection d'objets personnalisée en temps réel pratique. Le package Ultralytics Python actuel prend en charge les modèles de détection YOLOv5u mis à jour, sans ancres ; les poids du dépôt original de YOLOv5 utilisent une architecture différente et ne sont pas compatibles avec la bibliothèque actuelle. Consulte la documentation de YOLOv5 pour plus de détails.
Les modèles YOLOv5u pris en charge par la bibliothèque Ultralytics actuelle et le projet Platform sont conçus pour la détection d'objets. Le dépôt historique YOLOv5 publiait également des variantes distinctes de classification et de segmentation, mais ces architectures et poids originaux ne sont pas interchangeables avec les modèles YOLOv5u actuels.
Commence par le détecteur nano ou small YOLOv5u lorsque la latence et la taille du modèle sont primordiales. Le modèle medium équilibre vitesse et précision pour de nombreuses charges de travail, tandis que les modèles large et extra-large privilégient la précision lorsque plus de puissance de calcul est disponible. Compare les benchmarks actuels des modèles dans la documentation de YOLOv5, puis valide les candidats sur tes propres données.
Utilise le mode train de la bibliothèque Ultralytics avec un point de contrôle (checkpoint) de détection YOLOv5u actuel, ou ouvre le projet officiel YOLOv5 sur Ultralytics Platform pour commencer à partir de l'un de ses modèles de détection. Après l'entraînement, utilise le mode export pour préparer le détecteur au déploiement.
Oui. YOLOv5 reste pris en charge pour les projets et déploiements existants. Ultralytics YOLO26 est le dernier modèle stable et le point de départ recommandé pour les nouveaux projets, tandis que YOLOv5 reste utile lorsque la compatibilité avec un pipeline YOLOv5 établi est importante.
Construis avec Ultralytics YOLOv5
Entraîne, valide, exporte et déploie les modèles de détection YOLOv5u actuels avec Ultralytics Platform.