Simplifier les flux de travail de classification avec Ultralytics YOLOv5 v6.2

YOLOv5 repousse les limites de l'état de l'art en matière de détection d'objets ! Des nouveaux modèles de classification, de la reproductibilité de l'entraînement et du support Apple Metal Performance Shader (MPS) aux intégrations avec ClearML et Deci, nous te présentons la nouvelle version YOLOv5 v6.2.

Mises à jour importantes d'Ultralytics YOLOv5#

Nous travaillons sur l'amélioration de ton architecture de vision par IA YOLO préférée depuis notre dernière version 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 pré-entraînés ImageNet d'Ultralytics YOLOv5-cls sont désormais disponibles pour la première fois.
• Journalisation ClearML : Intégration avec l'outil de suivi d'expériences open-source ClearML. L'installation avec pip install clearml active l'intégration et permet aux utilisateurs de suivre chaque exécution d'entraînement dans ClearML. Cela permet à son tour de suivre et de comparer les exécutions et même de planifier des exécutions à distance.
• Benchmarks d'exportation GPU : Benchmark (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 d'Ultralytics YOLOv5 sur un seul GPU avec torch>=1.12.0 est désormais entièrement reproductible, et un nouvel argument --seed peut être utilisé (seed par défaut = 0).
• Support Apple Metal Performance Shader (MPS) : Support MPS pour les appareils Apple M1/M2 avec --device mps (la fonctionnalité complète est en attente de mises à jour de torch dans pytorch/pytorch#77764).

Nouveaux modèles de classification#

Notre objectif principal avec cette version est d'introduire des flux de travail de classification YOLOv5 simples, tout comme nos modèles de détection d'objets existants. Les nouveaux modèles v6.2 YOLOv5-cls ne sont qu'un début, nous continuerons à les améliorer à l'avenir en même temps que nos modèles de détection existants. Nous aimerions beaucoup recevoir tes contributions pour cet effort !

Cette version intègre 401 PR provenant de 41 contributeurs depuis notre dernière version de février 2022. Elle ajoute l'entraînement, la validation, la prédiction et l'exportation en Classification (vers les 11 formats), et fournit également des modèles YOLOv5m-cls, ResNet (18, 34, 50, 101) et EfficientNet (b0-b3) pré-entraînés sur ImageNet.

Nous avons entraîné les modèles de classification Ultralytics YOLOv5-cls sur ImageNet pendant 90 époques en utilisant une instance 4xA100, et nous avons entraîné des modèles ResNet et EfficientNet en parallèle avec les mêmes paramètres d'entraînement par défaut pour comparer. Nous avons exporté tous les modèles vers ONNX FP32 pour les tests de vitesse sur CPU et vers TensorRT FP16 pour les tests de vitesse sur GPU. Nous avons exécuté tous les tests de vitesse sur Google Colab Pro pour faciliter la reproductibilité.

Quelle est la prochaine étape pour Ultralytics ?#

Notre prochaine version, la v6.3, est prévue pour septembre 2022 et apportera le support officiel de la segmentation d'instances à Ultralytics YOLOv5, avec une version majeure v7.0 plus tard cette année mettant à jour les architectures pour les 3 tâches : classification, détection et segmentation.

Visite notre dépôt GitHub open-source YOLOv5 pour rester à jour et en savoir plus sur cette version.