اكتشف YOLOv5 الإصدار 7.0 من YOLOv5 مع نماذج تجزئة المثيل الجديدة، متفوقًا على معايير SOTA لأعلى دقة وسرعة في الذكاء الاصطناعي. انضم إلى مجتمعنا.

اكتشف YOLOv5 الإصدار 7.0 من YOLOv5 مع نماذج تجزئة المثيل الجديدة، متفوقًا على معايير SOTA لأعلى دقة وسرعة في الذكاء الاصطناعي. انضم إلى مجتمعنا.
لقد تم إصدار YOLOv5 v7.0، وهو أحدث إصدار من بنية الذكاء الاصطناعي لدينا، ويسعدنا أن نقدم نماذج تقسيم النماذج الجديدة!
أثناء عملنا على هذا الإصدار الأخير، وضعنا هدفين في المقدمة. كان الهدف الأول هو جعل الذكاء الاصطناعي سهلاً، والهدف الثاني هو إعادة تعريف ما تعنيه كلمة "أحدث" حقًا.
لذا، مع التحسينات والإصلاحات والترقيات المهمة، قمنا بذلك بالضبط. مع الحفاظ على نفس تدفقات العمل البسيطة مثل نماذج اكتشاف الأجسام YOLOv5 الحالية، أصبح الآن أسهل من أي وقت مضى تدريب نماذجك والتحقق من صحتها ونشرها باستخدام YOLOv5 v7.0. علاوة على ذلك، فقد تجاوزنا جميع معايير SOTA، مما يجعل YOLOv5 الأسرع والأكثر دقة في العالم.
نظرًا لأن هذا هو أول إصدار لنا من نماذج التجزئة، فإننا فخورون للغاية بهذا الإنجاز. نحن مدينون بالشكر الجزيل لمجتمعنا المتفاني والمساهمين الذين ساعدوا في جعل هذا الإصدار ممكناً.
لذا، لنبدأ بملاحظات الإصدار YOLOv5 v7.0 من YOLOv5 v7.0!
إليك ما تم تحديثه في YOLOv5 منذ إصدارنا الأخير من YOLOv5 v6.2 في أغسطس 2022.
قمنا بتدريب نماذج تجزئة YOLOv5 على COCO لـ 300 حلقة تدريبية بحجم 640 صورة باستخدام وحدات معالجة الرسومات A100. قمنا بتصدير جميع النماذج إلى ONNX FP32 لاختبارات سرعة وحدة المعالجة المركزية وإلى TensorRT FP16 لاختبارات سرعة وحدة معالجة الرسومات. أجرينا جميع اختبارات السرعة على أجهزة Google Colab Pro الدفترية لسهولة التكرار.
يدعم التدريب على تجزئة YOLOv5 التنزيل التلقائي لمجموعة بيانات تجزئة COCO128-seg باستخدام وسيطة --data coco128-seg.yaml والتنزيل اليدوي لمجموعة بيانات COCO-segments باستخدام bash data/scripts/get_coco.sh --train --val --segments ثم python train.py --data coco.yaml.
python segment/train.py - model yolov5s-seg.pt --data coco128-seg.yaml --epochs 5 --img 640
python -m torch.torch.distributed.run -nproc_per_node 4 --master_port 1 - segment/train.py -model yolov5s-seg.pt --data coco128-seg.yaml -epochs 5 -img 640 --device 0,1,2,3
التحقق من صحة دقة YOLOv5m-seg على مجموعة بيانات ImageNet-1k:
bash data/scripts/get_coco.sh --val --segments # تنزيل مقاطع COCO val مقسمة (780 ميغابايت، 5000 صورة) python segment/val.py --weights yolov5s-seg.pt - data coco.yaml --img 640 # تحقق من صحة
استخدم YOLOv5m-seg المُدرب مسبقًا للتنبؤ بـ Bus.jpg:
python segment/predict.py --weights yolov5m-seg.pt - data data/images/bus.jpg
الطراز = torch.hub.load('ultralytics/yolov5', 'custom', 'yolov5m-seg.pt') # تحميل من مركز PyTorch (تحذير: الاستدلال غير مدعوم بعد)
تصدير نموذج YOLOv5-seg إلى ONNX و TensorRT:
python export.py --weights yolov5s-seg.pt --include onnx engine --img 640 --device 0
هل لديك أي أسئلة؟ اسأل منتدى Ultralytics، أو قم بطرح مشكلة، أو أرسل تقرير علاقات عامة على الريبو. يمكنك أيضًا البدء في استخدام دفتر ملاحظات تجزئة YOLOv5 Colab الخاص بنا للحصول على دروس البدء السريع.