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

YOLOv5 está llevando el estado del arte de la detección de objetos a nuevas cotas. Desde nuevos modelos de clasificación, reproducibilidad del entrenamiento y compatibilidad con Apple Metal Performance Shader (MPS), hasta integraciones con ClearML y Deci, te presentamos la nueva versión YOLOv5 v6.2.

Actualizaciones importantes de Ultralytics YOLOv5#

Hemos estado trabajando para mejorar tu arquitectura favorita de visión artificial YOLO desde nuestra última versión en febrero de 2022. Estas son las actualizaciones más importantes de la última versión de YOLOv5 v6.2:

• Modelos de clasificación: Ya están disponibles por primera vez los modelos de clasificación Ultralytics YOLOv5-cls preentrenados con ImageNet.
• Registro con ClearML: Integración con el registrador de experimentos de código abierto ClearML. La instalación con pip install clearml activará la integración y permitirá a los usuarios realizar el seguimiento de cada ejecución de entrenamiento en ClearML. Esto, a su vez, permite realizar el seguimiento y comparar ejecuciones, e incluso programarlas de forma remota.
• Pruebas comparativas de exportación en GPU: Ejecuta pruebas comparativas (mAP y velocidad) de todos los formatos de exportación de YOLOv5 con python utils/benchmarks.py --weights yolov5s.pt --device 0 para las pruebas comparativas en GPU o con --device CPU para las pruebas comparativas en CPU.
• Reproducibilidad del entrenamiento: El entrenamiento de Ultralytics YOLOv5 con una sola GPU y torch>=1.12.0 ahora es totalmente reproducible, y se puede utilizar un nuevo argumento --seed (semilla predeterminada: 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#

Nuestro objetivo principal con esta versión es introducir flujos de trabajo sencillos de clasificación con YOLOv5, al igual que nuestros modelos existentes de detección de objetos. Los nuevos modelos YOLOv5-cls de la versión v6.2 son solo el principio; seguiremos mejorándolos junto con nuestros modelos de detección existentes. ¡Nos encantaría contar con tus contribuciones a este proyecto!

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

Entrenamos los modelos de clasificación Ultralytics YOLOv5-cls con ImageNet durante 90 épocas utilizando una instancia 4xA100, y entrenamos los modelos ResNet y EfficientNet en paralelo con los mismos ajustes de entrenamiento predeterminados para compararlos. 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. Ejecutamos todas las pruebas de velocidad en Google Colab Pro para facilitar la reproducibilidad.

¿Qué viene después en Ultralytics?#

Nuestra próxima versión, v6.3, está programada para septiembre de 2022 e incorporará compatibilidad oficial con la segmentación de instancias en Ultralytics YOLOv5, con una importante versión v7.0 más adelante este año que actualizará las arquitecturas de las 3 tareas: clasificación, detección y segmentación.

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