Einführung der Instance Segmentation in Ultralytics YOLOv5 v7.0
Entdecke YOLOv5 v7.0 mit neuen Instance Segmentation Modellen, die SOTA-Benchmarks für höchste KI-Genauigkeit und Geschwindigkeit übertreffen. Tritt unserer Community bei.
YOLOv5 v7.0, die neueste Version unserer KI-Architektur, ist da, und wir freuen uns riesig, unsere neuen Instanzsegmentierungsmodelle vorzustellen!
Bei der Arbeit an diesem neuesten Release standen zwei Ziele für uns im Vordergrund. Das erste war unsere Mission, KI einfach zu machen, und das zweite unser Ziel, die Definition von „State-of-the-Art“ grundlegend neu zu bestimmen.
Mit bedeutenden Verbesserungen, Korrekturen und Upgrades haben wir genau das getan. Dank derselben einfachen Workflows wie bei unseren bestehenden Ultralytics YOLOv5 Objekterkennungsmodellen ist es jetzt einfacher denn je, deine Modelle mit YOLOv5 v7.0 zu trainieren, zu validieren und bereitzustellen. Darüber hinaus haben wir alle SOTA benchmarks übertroffen, wodurch YOLOv5 faktisch das schnellste und genaueste der Welt ist.
Da dies unser erster Release von Segmentierungsmodellen ist, sind wir unheimlich stolz auf diesen Meilenstein. Wir sind unserer engagierten Community und unseren Mitwirkenden zu großem Dank verpflichtet, die diesen Release möglich gemacht haben.
Fangen wir also mit den Release Notes von YOLOv5 v7.0 an!
Wichtige Updates zu Ultralytics YOLOv5#
Hier ist, was sich in YOLOv5 seit unserem letzten Release von YOLOv5 v6.2 im August 2022 geändert hat.
- Segmentierungsmodelle ⭐ NEU: SOTA YOLOv5-seg COCO-vortrainierte Segmentierungsmodelle sind jetzt zum ersten Mal verfügbar (#9052 von @glenn-jocher, @AyushExel und @Laughing-q)
- PaddlePaddle-Export: Exportiere jedes YOLOv5-Modell (cls, seg, det) mit python export.py --include paddle in das Paddle-Format (#9459 von @glenn-jocher)
- YOLOv5 AutoCache: Die Verwendung von python train.py --cache ram scannt nun den verfügbaren Speicher und vergleicht ihn mit der vorhergesagten RAM-Nutzung des Datasets. Dies verringert das Risiko beim Caching und soll dazu beitragen, die Akzeptanz der Dataset-Caching-Funktion zu verbessern, wodurch das Training erheblich beschleunigt werden kann. (#10027 von @glenn-jocher)
- Comet-Logging- und Visualisierungs-Integration: Comet ist für immer kostenlos und ermöglicht es dir, YOLOv5-Modelle zu speichern, das Training fortzusetzen sowie Vorhersagen interaktiv zu visualisieren und zu debuggen. (#9232 von @DN6)
Neue Segmentierungs-Checkpoints#
Wir haben Ultralytics YOLOv5 Segmentierungsmodelle auf COCO für 300 Epochen bei einer Bildgröße von 640 mit A100 GPUs trainiert. Wir haben alle Modelle für CPU-Geschwindigkeitstests nach ONNX FP32 und für GPU-Geschwindigkeitstests nach TensorRT FP16 exportiert. Wir haben alle Geschwindigkeitstests auf Google Colab Pro-Notizbüchern für eine einfache Reproduzierbarkeit durchgeführt.
- Alle Checkpoints sind auf 300 Epochen mit dem SGD-Optimizer mit lr0=0.01 und weight_decay=5e-5 bei einer Bildgröße von 640 und allen Standardeinstellungen trainiert. Alle Durchläufe werden in den Weights & Biases-Trainingsprotokollen protokolliert.
- Die Genauigkeitswerte beziehen sich auf ein Einzelmodell mit Einzelskalierung auf dem COCO-Datensatz. Reproduziere dies mit python segment/val.py --data coco.yaml --weights yolov5s-seg.pt
- Die Geschwindigkeit wurde über 100 Inferenzbilder unter Verwendung einer Colab Pro A100 High-RAM Instanz gemittelt. Die Werte geben nur die Inferenzgeschwindigkeit an (NMS fügt etwa 1 ms pro Bild hinzu). Reproduziere dies mit python segment/val.py --data coco.yaml --weights yolov5s-seg.pt --batch 1
- Der Export nach ONNX bei FP32 und TensorRT bei FP16 wurde mit export.py durchgeführt. Reproduziere dies mit python export.py --weights yolov5s-seg.pt --include engine --device 0 --half
Neue Beispiele zur Segmentierungsnutzung#
Trainieren#
Das Ultralytics YOLOv5 Segmentierungstraining unterstützt das automatische Herunterladen des COCO128-seg Segmentierungsdatensatzes mit dem Argument --data coco128-seg.yaml und das manuelle Herunterladen des COCO-segments Datensatzes mit bash data/scripts/get_coco.sh --train --val --segments und anschließendem python train.py --data coco.yaml.
Einzel-GPU#
python segment/train.py --model yolov5s-seg.pt --data coco128-seg.yaml --epochs 5 --img 640
Multi-GPU DDP#
python -m 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
Val#
Validiere die Genauigkeit von YOLOv5m-seg auf dem COCO-Datensatz:
bash data/scripts/get_coco.sh --val --segments # lade COCO val segments Split herunter (780 MB, 5000 Bilder) python segment/val.py --weights yolov5s-seg.pt --data coco.yaml --img 640 # validieren
Vorhersage#
Verwende das vortrainierte YOLOv5m-seg, um bus.jpg vorherzusagen:
python segment/predict.py --weights yolov5m-seg.pt --data data/images/bus.jpg
model = torch.hub.load('ultralytics/yolov5', 'custom', 'yolov5m-seg.pt') # von PyTorch Hub laden (ACHTUNG: Inferenz wird noch nicht unterstützt)
Export#
Exportiere das YOLOv5s-seg Modell nach ONNX und TensorRT:
python export.py --weights yolov5s-seg.pt --include onnx engine --img 640 --device 0
Hast du Fragen? Frage im Ultralytics Forum, erstelle ein Issue oder reiche einen PR ein im Repository. Du kannst auch mit unserem YOLOv5-Segmentierungs-Colab-Notebook für Schnellstart-Tutorials beginnen.
