Bundan tashqari O‘zbekiston Respublikasi Prezidenti Islom Karimovning

YOLOv5s: Bu taxminan 7,2 million parametrga ega oiladagi kichik model va protsessorda xulosa chiqarish uchun ideal.

YOLOv5m : Bu 21,2 million parametrga ega oʻrta oʻlchamli model. Bu, ehtimol, ko'plab ma'lumotlar to'plamlari va mashg'ulotlar uchun eng mos modeldir, chunki u tezlik va aniqlik o'rtasidagi yaxshi muvozanatni ta'minlaydi.

YOLOv5l: Bu 46,5 million parametrga ega YOLOv5 oilasining katta modeli. Bu kichikroq ob'ektlarni aniqlashimiz kerak bo'lgan ma'lumotlar to'plami uchun ideal.

YOLOv5x: Bu beshta model orasida eng kattasi va 5 ta model orasida eng yuqori mAPga ega. Garchi u boshqalarga qaraganda sekinroq va 86,7 million parametrga ega.

Quyidagi rasmda barcha modellar, jumladan, protsessor, grafik protsessorda xulosa chiqarish tezligi, shuningdek, tasvir o'lchami 640 bo'lgan parametrlar soni yanada yaxshiroq ko'rsatilgan.
Barcha model nazorat punktlarini Ultralytics YOLOv5 omboridan yuklab olish mumkin. Ular MS COCO ma'lumotlar to'plamida 300 davr uchun oldindan tayyorgarlikdan o'tgan.
YOLOv5 ombori va kodlar bazasi tomonidan taqdim etilgan xususiyatlar
Agar siz omborni ko'rib chiqsangiz, u maxsus ma'lumotlar to'plamlari bo'yicha o'qitish va xulosa chiqarishni juda oson qilishi aniq bo'ladi. Shunday qilib, agar sizda to'g'ri formatda tayyor ma'lumotlar to'plami mavjud bo'lsa, 2 daqiqa ichida mashg'ulotlarni boshlashingiz mumkin.


1.1-jadval. YOLOv5 ning sifat ko‘rsatgichlari

Yuqorida biz foydalanish holatlari va ma'lumotlar to'plamiga qarab 5 xil modeldan tanlashimiz mumkinligini muhokama qildik. U chekka uchun real vaqtda detektorni o'rgatadimi yoki bulutli GPU-larda ob'ektni aniqlashning zamonaviy modelini o'rnatadimi, unda hamma narsa kerak bo'ladi.
Ob'ektni aniqlash quvur liniyasi to'liq bo'lishi uchun faqat o'qitish va modellarni xulosa qilish etarli emas. Haqiqiy hayotda foydalanish holatlarida joylashtirish ham asosiy talab hisoblanadi. Joylashtirishdan oldin biz asosan o'qitilgan modelni to'g'ri formatga aylantirishimiz (eksport qilishimiz) kerak.

1.7-rasm. YOLOv5 da foydalaniladigan texnologiyalar

Biz mahalliy PyTorch(.pt) modellarni quyidagi formatlarga aylantirishimiz mumkin:

• 
  TorchScript
  
• 
  ONNX
  
• 
  OpenVINO
  
• 
  TensorRT
  
• 
  CoreML
  
• 
  TensorFlow SavedModel, GraphDef, Lite, Edge TPU va TensorFlow.js ham
  

Bundan tashqari, YOLOv5 OpenCV DNN modulidan foydalanish juda oson .
Bu har qanday chuqur o'rganuvchi muhandis uchun ko'plab joylashtirish imkoniyatlarini ochadi.
YOLOv5 ombori sukut bo'yicha TensorBoard va Weights&Biases jurnalini taqdim etadi. To'g'ri ro'yxatga olish bo'yicha treningni boshlashdan oldin siz Weights&Biases hisobini yaratishingiz va API hisob ma'lumotlarini taqdim qilishingiz kerak bo'lishi mumkin.
Agar siz buni o'tkazib yuborsangiz ham, TensorBoard jurnallari allaqachon mavjud bo'lib, ularda har bir ko'rsatkich, yo'qotish va rasm va barcha tasdiqlash bashoratlari mavjud. Bu bizga modelni o'rgatgandan so'ng istalgan vaqtda ishlash ko'rsatkichlarini ko'rib chiqishni osonlashtiradi.
Ko'pgina ob'ektlarni aniqlash modellari MS COCO ma'lumotlar to'plamiga muvofiq oldindan belgilangan langar qutilaridan foydalansa-da, YOLOv5 boshqacha yondashuvni qo'llaydi. Aslida, YOLO ning oldingi versiyalari, YOLOv2 kabi, buning uchun faqat k-Means klasteridan foydalangan.
Ammo YOLOv5 langar qutilarini yaratish uchun genetik algoritmdan foydalanadi. Ular bu jarayonni autoanchor deb atashadi , agar standart bo'lganlar yaxshi bo'lmasa, ma'lumotlarga mos keladigan langar qutilarini qayta hisoblab chiqadi. Bu k-Means algoritmi bilan birgalikda k-Means rivojlangan langar qutilarini yaratish uchun ishlatiladi . Bu YOLOv5 hatto turli xil ma'lumotlar to'plamlarida ham yaxshi ishlashining sabablaridan biridir.
Oddiy so'z bilan aytganda, u 4 xil tasvirni birlashtiradi, shunda model turli xil va qiyin tasvirlar bilan ishlashni o'rganishi mumkin. U natijani kuchaytirish bilan bir qatorda boshqa ko'paytirish usullaridan ham foydalanadi. 
1.2-jadval. YOLOv5 ning ko‘paytirish xususiyatlari

Ko'rinib turibdiki, Ultralytics YOLOv3-SPP modeli mAP bo'yicha Darknet YOLOv3 SPP modelini mag'lub eta oldi. Ultralytics YOLOv5 modellari esa yanada yaxshi ishlaydi. Taxminan 21 million parametrli model bo'lgan YOLOv5m 63 million parametrli model bo'lgan YOLOv3-SPP modelini engishga qodir. Bu yillar davomida Ultralytics modellari qanchalik yaxshilanganligini ko'rsatadi.
Eslatma: Yuqoridagi rasmda Darknet YOLOv3 natijalarining ba'zilari asl natijalarga nisbatan biroz yaxshiroq ekanligini ko'rishingiz mumkin. Sababi, Darknet YOLOv3 modellari yangilanganidek, mAP raqamlari Ultralytics tomonidan ularning omborida ham yangilangan. Bu bizga barcha so'nggi yangilangan modellar o'rtasida adolatli taqqoslash imkonini beradi.
Yangi YOLOv6 modeli YOLOv5 bilan solishtirganda umurtqa, bo‘yin va boshga ko‘plab fundamental o‘zgarishlar kiritadi.