Klassifizierungsabläufe mit Ultralytics YOLOv5 v6.2 vereinfachen

YOLOv5 setzt weiterhin neue Maßstäbe bei der Objekterkennung. Von neuen Klassifizierungsmodellen, reproduzierbarem Training und Unterstützung für Apple Metal Performance Shader (MPS) bis hin zu Integrationen mit ClearML und Deci: Hier erfährst du, was die Version YOLOv5 v6.2 Neues bringt.

Wichtige Aktualisierungen von Ultralytics YOLOv5#

Seit unserer vorherigen Version im Februar 2022 haben wir YOLOv5 kontinuierlich verbessert. Dies sind die wichtigsten Neuerungen in der aktuellen Version YOLOv5 v6.2:

• Klassifizierungsmodelle: Die mit ImageNet vortrainierten Bildklassifizierungsmodelle Ultralytics YOLOv5-cls sind jetzt erstmals verfügbar.
• ClearML-Protokollierung: Integration mit dem Open-Source-Experimenttracker ClearML. Durch die Installation mit pip install clearml wird die Integration aktiviert und ermöglicht es Nutzern, jeden Trainingslauf in ClearML nachzuverfolgen. So können Nutzer Läufe nachverfolgen und vergleichen sowie sogar Läufe aus der Ferne planen.
• GPU-Export-Benchmarks: Führe mit python utils/benchmarks.py --weights yolov5s.pt --device 0 Benchmarks für alle YOLOv5-Exportformate durch und ermittle mAP und Geschwindigkeit auf der GPU oder verwende --device cpu für CPU-Benchmarks.
• Reproduzierbarkeit des Trainings: Das Training von Ultralytics YOLOv5 auf einer einzelnen GPU mit torch>=1.12.0 ist jetzt vollständig reproduzierbar. Außerdem kann ein neues Argument --seed verwendet werden (Standardwert seed=0).
• Unterstützung für Apple Metal Performance Shader (MPS): Unterstützung für MPS auf Apple M1/M2-Geräten mit --device mps (der volle Funktionsumfang steht noch aus, bis torch in pytorch/pytorch#77764 aktualisiert wird).

Neue Klassifizierungsmodelle#

Unser wichtigstes Ziel mit dieser Version ist es, einfache YOLOv5-Klassifizierungsabläufe einzuführen – genau wie bei unseren bestehenden Modellen zur Objekterkennung. Die neuen YOLOv5-cls-Modelle in v6.2 sind erst der Anfang. Wir werden sie zusammen mit unseren bestehenden Erkennungsmodellen weiter verbessern. Wir freuen uns über deine Beiträge zu diesem Vorhaben!

Diese Version umfasst 401 PRs von 41 Mitwirkenden seit unserer letzten Veröffentlichung im Februar 2022. Sie bietet Training, Validierung, Vorhersage und Export (in alle 11 Formate) für die Klassifizierung und enthält außerdem mit ImageNet vortrainierte Modelle: YOLOv5m-cls, ResNet (18, 34, 50, 101) und EfficientNet (b0–b3).

Wir haben die Klassifizierungsmodelle Ultralytics YOLOv5-cls 90 Epochen lang mit einer 4xA100-Instanz auf ImageNet trainiert. Zum Vergleich haben wir daneben ResNet- und EfficientNet-Modelle mit denselben Standardeinstellungen trainiert. Für Geschwindigkeitstests auf der CPU haben wir alle Modelle nach ONNX FP32 und für Geschwindigkeitstests auf der GPU nach TensorRT FP16 exportiert. Alle Geschwindigkeitstests haben wir auf Google Colab Pro ausgeführt, damit sich die Ergebnisse leicht reproduzieren lassen.

Was kommt als Nächstes bei Ultralytics?#

Unsere nächste Version, v6.3, ist für September 2022 geplant und wird Ultralytics YOLOv5 offiziell um Instanzsegmentierung erweitern. Später im Jahr soll eine umfangreiche Version v7.0 folgen, die die Architekturen für alle drei Aufgaben – Erkennung, Segmentierung und Klassifizierung – aktualisiert. (Die Instanzsegmentierung kam schließlich in YOLOv5 v7.0.)

Besuche unser Open-Source-GitHub-Repository zu YOLOv5, um auf dem Laufenden zu bleiben und mehr über diese Veröffentlichung zu erfahren.