X
Ultralytics YOLOv8.2 LibérationUltralytics YOLOv8.2 LibérationUltralytics YOLOv8.2 Flèche de déverrouillage
Contrôle vert
Lien copié dans le presse-papiers

YOLOv5 Gagnants du concours d'exportation

Découvre les gagnants du concours d'exportation Ultralytics YOLOv5 , qui présente le meilleur du déploiement de modèles d'IA sur différents appareils.

Dans le but d'aider tout le monde à former et à déployer facilement les meilleurs modèles Vision AI, nous avons organisé notre premier concours d'exportationUltralytics YOLOv5 . Nous apprécions d'être en contact avec les membres de notre communauté open-source et sommes toujours impressionnés par les nombreuses applications créées par les utilisateurs.

Date limite

Le concours s'est déroulé du 17 mai 2021 au 31 septembre 2021 24:00 UTC. Après cette date, le concours a été clôturé et les soumissions supplémentaires n'ont pas été éligibles pour les prix.

L'évaluation

L'évaluation s'est déroulée du 1er septembre 2021 au 31 septembre 2021. Notre équipe s'est penchée de manière approfondie sur chaque soumission.

10000 $ de prix

La meilleure soumission dans les catégories a réclamé le prix complet de 2000 dollars américains ($2000.00) sur le site Ultralytics pour cette catégorie.

5 Catégories

Avec l'aide de notre incroyable communauté, nous avons précédemment créé 5 catégories qui représentent les scénarios de déploiement les plus populaires dans le monde réel pour les modèles YOLOv5 , y compris les appareils Jetson Nano, Raspberry Pi, Google Edge TPU, Desktop CPU et Android Edge.

Soumissions

Nos participants ont créé un dépôt Github public pour leur soumission, attribué à leur travail une licence open source et posté leur soumission directement sur l'un des 5 fils de discussion des soumissions officielles du Concours EXPORT pour permettre à la communauté de voter. Notez que ces fils de discussion ne concernaient que les soumissions officielles. Les questions générales ou les commentaires ont été posés directement dans ce fil de discussion, ou dans une nouvelle discussion. Liens vers les soumissions :

1. Nvidia Jetson Nano

2. Google Bord TPU

3. Raspberry Pi

4. Intel/AMD CPU

5. Android

Gagnants du concours

Après mûre réflexion, nous avons choisi les gagnants pour chacune des cinq catégories, qui représentent les scénarios de déploiement les plus populaires dans le monde réel pour les modèles YOLOv5 . Tous les participants ont été contactés personnellement et les prix ont été versés à nos gagnants par la suite. Aujourd'hui, nous sommes heureux de partager enfin les meilleures solutions avec toi !

Nvidia Jetson Nano

Prix : 2000

Alexander Mamaev

Google Bord TPU

Prix : 2000

Josh Veitch-Michaelis

Android

Prix : 2000

Yasuhiro Nitta

Raspberry Pi

Prix : 2000

Pas de gagnant *

Intel/AMD CPU

Prix : 2000

Pas de gagnant *

*Les soumissions dans cette catégorie ne correspondaient pas à l'ensemble minimum d'exigences dans chacun des critères d'évaluation. Par conséquent, aucun gagnant n'a été sélectionné pour cette catégorie cette fois-ci, mais les participants auront plus de chances de concourir à nouveau à l'avenir.

Félicitations aux gagnants ! Ne manque pas de jeter un coup d'œil à leurs référentiels.

"La bibliothèque YOLOv5 est géniale - elle est mise à jour presque quotidiennement, les modèles fonctionnent bien et l'expérience utilisateur s'améliore continuellement. Une grande partie de mes recherches implique le déploiement de ML sur des appareils embarqués, et j'avais déjà travaillé avec l'EdgeTPU auparavant, alors cela m'a semblé être un défi amusant."
Josh Veitch-Michaelis

Nous tenons également à féliciter tous ceux qui ont participé à notre concours d'exportation ! Nous avons la chance d'avoir de nombreux membres de valeur dans notre communauté open-source. Ce sont les contributions de chacun d'entre vous qui rendent notre communauté formidable.

Reste incroyable et continue à créer ! 🚀

Notation

Les soumissions du concours Export ont été jugées sur la base de plusieurs critères : la simplicité et la reproductibilité de leurs méthodes d'exportation, la qualité de leur documentation, la qualité de l'exportation et la rapidité et l'exactitude de leurs modèles exportés. Ces soumissions ont ensuite été notées à la fois par l'équipe de Ultralytics et par la communauté.

Qualité de l'exportation (20%)

L'exportation la plus simple comportera le moins d'étapes, nécessitera le moins d'arguments/paramètres, utilisera le moins de paquets importés et sera exécutable avec le moins de code possible.

Qualité de la documentation (20%)

Les soumissions doivent être bien documentées à l'aide d'un fichier de soumission markdown . Chaque étape doit être expliquée, y compris la configuration/les exigences, tous les paramètres/arguments, les étapes d'exportation et la configuration de l'environnement déployé, le cas échéant.

Qualité de la soumission (20%)

Chaque aspect de l'exportation et du déploiement, à partir d'un modèle officiel yolov5s.pt, doit être inclus. Pour les environnements qui requièrent des exigences particulières, comme Jetson Nano, tous les paquets et/ou images Docker doivent être fournis et documentés. Pour les déploiements sur Android , une application de référence Android doit également être incluse. Une soumission doit inclure 100 % de ce qui est nécessaire pour exporter et utiliser complètement un modèle YOLOv5 .

Vitesse et précision du modèle déployé (40%)

Les modèles déployés doivent renvoyer des résultats d'inférence quasi identiques aux modèles officiels YOLOv5 PyTorch (c.-à-d. inférence avec python detect.py --weights yolov5s.pt). La précision des solutions déployées sera analysée sur un ensemble d'images Ultralytics qui ne sont pas accessibles au public. La vitesse est également très importante, les solutions de déploiement les plus rapides étant fortement favorisées. Pour Android, les exportations vers GPULes délégués de la NNAPI et de l'Hexagone obtiendront la meilleure note.


Logo FacebookLogo de TwitterLogo LinkedInSymbole du lien de copie

Lire la suite dans cette catégorie

Construisons ensemble le futur
de l'IA !

Commence ton voyage avec le futur de l'apprentissage automatique.