Simplifier les workflows de classification avec Ultralytics YOLOv5 v6.2

YOLOv5 continue de faire progresser l’état de l’art en détection d’objets. Des nouveaux modèles de classification, de la reproductibilité de l’entraînement et de la prise en charge d’Apple Metal Performance Shader (MPS) aux intégrations avec ClearML et Deci, voici les nouveautés de la version YOLOv5 v6.2.

Principales mises à jour d’Ultralytics YOLOv5#

Nous travaillons à l’amélioration de YOLOv5 depuis notre version précédente, publiée en février 2022. Voici les mises à jour les plus importantes de la dernière version YOLOv5 v6.2 :

• Modèles de classification : les modèles de classification d’images Ultralytics YOLOv5-cls préentraînés sur ImageNet sont désormais disponibles pour la première fois.
• Journalisation avec ClearML : intégration avec le système open source de suivi des expériences ClearML. L’installation avec pip install clearml active l’intégration et permet aux utilisateurs de suivre chaque exécution d’entraînement dans ClearML. Ils peuvent ainsi suivre et comparer les exécutions, et même les planifier à distance.
• Benchmarks d’exportation sur GPU : évalue les performances (mAP et vitesse) de tous les formats d’exportation YOLOv5 avec python utils/benchmarks.py --weights yolov5s.pt --device 0 pour les benchmarks GPU ou --device cpu pour les benchmarks CPU.
• Reproductibilité de l’entraînement : l’entraînement Ultralytics YOLOv5 sur un seul GPU avec torch>=1.12.0 est désormais entièrement reproductible. Un nouvel argument --seed peut être utilisé (valeur par défaut : seed=0).
• Prise en charge d’Apple Metal Performance Shader (MPS) : prise en charge de MPS sur les appareils Apple M1/M2 avec --device mps (la prise en charge complète dépend des mises à jour de torch dans pytorch/pytorch#77764).

Nouveaux modèles de classification#

L’objectif principal de cette version est de proposer des flux de travail simples de classification avec YOLOv5, comme ceux déjà disponibles pour nos modèles de détection d’objets. Les nouveaux modèles YOLOv5-cls v6.2 ne sont qu’un début ; nous continuerons à les améliorer, ainsi que nos modèles de détection. Nous serions ravis de recevoir tes contributions à cet effort !

Cette version comprend 401 PR de 41 contributeurs depuis notre dernière version, publiée en février 2022. Elle ajoute l’entraînement, la validation, la prédiction et l’exportation de modèles de classification (dans les 11 formats), et fournit également les modèles YOLOv5m-cls, ResNet (18, 34, 50, 101) et EfficientNet (b0-b3) préentraînés sur ImageNet.

Nous avons entraîné les modèles de classification Ultralytics YOLOv5-cls sur ImageNet pendant 90 époques avec une instance 4xA100. Nous avons également entraîné des modèles ResNet et EfficientNet avec les mêmes paramètres d’entraînement par défaut pour les comparer. Nous avons exporté tous les modèles en ONNX FP32 pour les tests de vitesse sur CPU et en TensorRT FP16 pour les tests de vitesse sur GPU. Nous avons effectué tous les tests de vitesse sur Google Colab Pro afin de faciliter leur reproductibilité.

Quelles sont les prochaines étapes chez Ultralytics ?#

Notre prochaine version, v6.3, est prévue pour septembre 2022 et apportera la prise en charge officielle de la segmentation d’instances à Ultralytics YOLOv5. Une version majeure v7.0, prévue plus tard cette année, mettra à jour les architectures pour les trois tâches : détection, segmentation et classification. (La segmentation d’instances a finalement été intégrée dans YOLOv5 v7.0.)

Consulte le dépôt GitHub open source YOLOv5 pour rester à jour et en savoir plus sur cette version.