Simplificación de los flujos de trabajo de clasificación con Ultralytics YOLOv5 v6.2

YOLOv5 sigue marcando la pauta en detección de objetos. Desde nuevos modelos de clasificación, reproducibilidad del entrenamiento y compatibilidad con Apple Metal Performance Shader (MPS) hasta integraciones con ClearML y Deci, esto es lo nuevo de la versión YOLOv5 v6.2.

Actualizaciones importantes de Ultralytics YOLOv5#

Hemos estado trabajando para mejorar YOLOv5 desde nuestra versión anterior, publicada en febrero de 2022. Estas son las actualizaciones más importantes de la última versión, YOLOv5 v6.2:

• Modelos de clasificación: Por primera vez, ya están disponibles los modelos de clasificación de imágenes Ultralytics YOLOv5-cls preentrenados con ImageNet.
• Registro con ClearML: Integración con el sistema de seguimiento de experimentos de código abierto ClearML. La instalación con pip install clearml activa la integración y permite hacer un seguimiento de cada entrenamiento en ClearML. Así, puedes hacer un seguimiento y comparar entrenamientos, e incluso programarlos de forma remota.
• Pruebas de rendimiento de exportación en GPU: Evalúa el rendimiento (mAP y velocidad) de todos los formatos de exportación de YOLOv5 con python utils/benchmarks.py --weights yolov5s.pt --device 0 para las pruebas en GPU o con --device cpu para las pruebas en CPU.
• Reproducibilidad del entrenamiento: El entrenamiento de Ultralytics YOLOv5 en una sola GPU con torch>=1.12.0 ahora es totalmente reproducible, y puedes utilizar el nuevo argumento --seed (valor predeterminado: seed=0).
• Compatibilidad con Apple Metal Performance Shader (MPS): Compatibilidad con MPS para dispositivos Apple M1/M2 mediante --device mps (la funcionalidad completa está pendiente de actualizaciones de torch en pytorch/pytorch#77764).

Nuevos modelos de clasificación#

El objetivo principal de esta versión es ofrecer flujos de trabajo sencillos de clasificación con YOLOv5, como los que ya tenemos para nuestros modelos de detección de objetos. Los nuevos modelos YOLOv5-cls v6.2 son solo el comienzo; seguiremos mejorándolos junto con nuestros modelos de detección actuales. ¡Nos encantaría contar con tus contribuciones!

Esta versión incorpora 401 PR de 41 colaboradores desde nuestro último lanzamiento, en febrero de 2022. Añade entrenamiento, validación, predicción y exportación de modelos de clasificación (a los 11 formatos) y también ofrece modelos YOLOv5m-cls, ResNet (18, 34, 50, 101) y EfficientNet (b0-b3) preentrenados con ImageNet.

Entrenamos modelos de clasificación Ultralytics YOLOv5-cls con ImageNet durante 90 épocas en una instancia 4xA100 y, para compararlos, entrenamos modelos ResNet y EfficientNet con la misma configuración de entrenamiento predeterminada. Exportamos todos los modelos a ONNX FP32 para las pruebas de velocidad en CPU y a TensorRT FP16 para las pruebas de velocidad en GPU. Realizamos todas las pruebas de velocidad en Google Colab Pro para facilitar la reproducibilidad.

¿Qué novedades prepara Ultralytics?#

Nuestra próxima versión, la v6.3, está prevista para septiembre de 2022 e incorporará compatibilidad oficial con la segmentación de instancias en Ultralytics YOLOv5. Más adelante este año llegará la importante versión v7.0, que actualizará las arquitecturas de las tres tareas: detección, segmentación y clasificación. (La segmentación de instancias acabó llegando en YOLOv5 v7.0.)

Visita nuestro repositorio de código abierto YOLOv5 en GitHub para estar al día y obtener más información sobre esta versión.