Einführung der Instance Segmentation in Ultralytics YOLOv5 v7.0

YOLOv5 v7.0, die neueste Version unserer KI-Architektur, ist da, und wir freuen uns sehr, unsere neuen Modelle zur Instanzsegmentierung 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 signifikanten Verbesserungen, Fehlerbehebungen und Upgrades ist uns genau das gelungen. Dank der beibehaltenen, einfachen Arbeitsabläufe unserer bestehenden YOLOv5 Objekterkennungsmodelle 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 und machen YOLOv5 damit effektiv zum schnellsten und genauesten System der Welt.

Da dies unser erstes Release von Segmentierungs-Modellen ist, sind wir ungemein stolz auf diesen Meilenstein. Wir schulden unserer engagierten Community und unseren Mitwirkenden, die dieses Release erst möglich gemacht haben, großen Dank.

Also, lass uns mit den Release Notes zu YOLOv5 v7.0 starten!

Link to this sectionWichtige YOLOv5-Updates#

Hier ist das, was seit unserem letzten Release von YOLOv5 v6.2 im August 2022 in YOLOv5 aktualisiert wurde.

• 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) in das Paddle-Format mit python export.py --include paddle #9459 von @glenn-jocher)
• YOLOv5 AutoCache: Die Verwendung von python train.py --cache ram scannt nun den verfügbaren Speicher und vergleicht ihn mit der prognostizierten RAM-Nutzung des Datensatzes. Dies reduziert das Risiko beim Caching und sollte dazu beitragen, die Einführung der Dataset-Caching-Funktion zu verbessern, was das Training erheblich beschleunigen 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)

Link to this sectionNeue Segmentierungs-Checkpoints#

Wir haben YOLOv5-Segmentierungsmodelle auf COCO über 300 Epochen bei einer Bildgröße von 640 unter Verwendung von 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-Notebooks für eine einfache Reproduzierbarkeit durchgeführt.

• Alle Checkpoints wurden über 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 training logs 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

Link to this sectionNeue Beispiele zur Segmentierungsnutzung#

Link to this sectionTrainieren#

Das YOLOv5-Segmentierungstraining unterstützt den automatischen Download des COCO128-seg Segmentierungsdatensatzes mit dem Argument --data coco128-seg.yaml sowie den manuellen Download des COCO-segments Datensatzes mit bash data/scripts/get_coco.sh --train --val --segments und anschließendem python train.py --data coco.yaml.

Link to this sectionEinzel-GPU#

python segment/train.py --model yolov5s-seg.pt --data coco128-seg.yaml --epochs 5 --img 640

Link to this sectionMulti-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

Link to this sectionVal#

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

Link to this sectionVorhersage#

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)

Link to this sectionExport#

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? Frag im Ultralytics Forum, eröffne ein Issue oder reiche einen PR im Repo ein. Du kannst auch mit unserem YOLOv5 Segmentierung Colab Notebook für Quickstart-Tutorials beginnen.