Simplifier les workflows de classification avec Ultralytics YOLOv5 v6.2

YOLOv5 repousse les limites de l’état de l’art en détection d’objets ! Des nouveaux modèles de classification à la reproductibilité de l’entraînement, en passant par la prise en charge du Metal Performance Shader d’Apple (MPS), ainsi que les intégrations avec ClearML et Deci, nous te présentons la nouvelle version YOLOv5 v6.2.

Mises à jour importantes d’Ultralytics YOLOv5#

Nous travaillons à améliorer ton architecture YOLO Vision AI préférée depuis notre dernière version en février 2022. Voici les principales mises à jour de la dernière version YOLOv5 v6.2 :

• Modèles de classification : Les modèles de classification Ultralytics YOLOv5-cls préentraînés sur ImageNet sont désormais disponibles pour la première fois.
• Journalisation avec ClearML : Intégration avec le suivi d’expériences open source ClearML. L’installation avec pip install clearml activera l’intégration et permettra 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 les planifier à distance.
• Benchmarks 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, et un nouvel argument --seed peut être utilisé (graine par défaut : seed=0).
• Prise en charge du Metal Performance Shader d’Apple (MPS) : Prise en charge de MPS pour les appareils Apple M1/M2 avec --device mps (la fonctionnalité complète dépend encore des mises à jour de torch dans pytorch/pytorch#77764).

Nouveaux modèles de classification#

Notre objectif principal avec cette version est d’introduire des workflows de classification YOLOv5 simples, à l’image de nos modèles de détection d’objets existants. Les nouveaux modèles YOLOv5-cls v6.2 ne sont qu’un début ; nous continuerons à les améliorer, en parallèle de nos modèles de détection existants. Nous serions ravis de recevoir tes contributions à cet effort !

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

Nous avons entraîné les modèles de classification Ultralytics YOLOv5-cls sur ImageNet pendant 90 époques avec une instance 4xA100, et nous avons entraîné les modèles ResNet et EfficientNet en parallèle avec les mêmes paramètres d’entraînement par défaut à des fins de comparaison. 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 réalisé tous les tests de vitesse sur Google Colab Pro afin de faciliter la reproductibilité.

Quelle est la prochaine étape pour 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, suivie plus tard cette année d’une version majeure v7.0 mettant à jour les architectures pour les trois tâches : classification, détection et segmentation.

Consulte notre dépôt GitHub open source YOLOv5 pour rester au courant et en savoir plus sur cette version.