Vereinfachung von Klassifizierungs-Workflows mit Ultralytics YOLOv5 v6.2

YOLOv5 treibt den Stand der Technik in der Objekterkennung zu neuen Höhen! Von neuen Klassifizierungsmodellen, Trainingsreproduzierbarkeit und Apple Metal Performance ShaderMPS) Unterstützung bis hin zu Integrationen mit ClearML und Deci präsentieren wir Ihnen die neue YOLOv5 v6.2 Version.

Wichtige YOLOv5 Updates

Seit unserem letzten Release im Februar 2022 haben wir an der Verbesserung Ihrer bevorzugten YOLO Vision AI Architektur gearbeitet. Dies sind die wichtigsten Updates in der neuesten YOLOv5 v6.2:

• Klassifizierungsmodelle: YOLOv5 ImageNet Klassifizierungsmodelle sind nun erstmals verfügbar.
  ‍
• ClearML : Integration mit dem Open-Source-Experiment-Tracker ClearML. Durch die Installation mit pip install clearml wird die Integration aktiviert und die Benutzer können jeden Trainingslauf in ClearML track . Dies wiederum ermöglicht es den Benutzern, Läufe track und zu vergleichen und sogar Läufe aus der Ferne zu planen.
  ‍
• GPU : BenchmarkingmAP und Geschwindigkeit) aller YOLOv5 mit python utils/benchmarks.py --weights yolov5s.pt --device 0 für GPU oder --device CPU für CPU .
  ‍
• Reproduzierbarkeit des Trainings: GPU YOLOv5 mit torch.12.0 ist jetzt vollständig reproduzierbar, und ein neues --seed-Argument kann verwendet werden (Standard-seed=0).
  ‍
• Apple Metal Performance Shader (MPS) Unterstützung: MPS für Apple M1/M2-Geräte mit --device mps (die volle Funktionalität steht noch aus, siehe pytorch).

Neue Klassifizierungsmodelle

Unser Hauptziel mit dieser Version ist es, einfache YOLOv5 einzuführen, genau wie unsere bestehenden Objekterkennungsmodelle. Die neuen YOLOv5 in v6.2 sind nur ein Anfang, wir werden sie zusammen mit unseren bestehenden Erkennungsmodellen weiter verbessern. Wir würden uns sehr über Ihre Beiträge zu diesem Vorhaben freuen!

Diese Version enthält 401 PRs von 41 Mitwirkenden seit unserer letzten Version im Februar 2022. Sie fügt Klassifizierungstraining, Validierung, Vorhersage und Export (in alle 11 Formate) hinzu und bietet außerdem ImageNet für YOLOv5m-cls, ResNet (18, 34, 50, 101) und EfficientNet (b0-b3).

Wir haben YOLOv5 auf ImageNet für 90 Epochen mit einer 4xA100-Instanz trainiert, und wir haben ResNet- und EfficientNet-Modelle mit denselben Standard-Trainingseinstellungen zum Vergleich trainiert. Wir haben alle Modelle in ONNX FP32 für CPU und in TensorRT FP16 für GPU exportiert. Wir haben alle Geschwindigkeitstests mit Google Colab Pro durchgeführt, um die Reproduzierbarkeit zu gewährleisten.  

Was kommt als Nächstes von Ultralytics?

Unser nächstes Release, v6.3, ist für September 2022 geplant und wird YOLOv5 offizielle Unterstützung für die Segmentierung von Instanzen bringen. Ein größeres Release v7.0 wird später in diesem Jahr die Architekturen aller drei Aufgaben - Klassifizierung, Erkennung und Segmentierung - aktualisieren.

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