YOLOv5 gagne encore en puissance avec la version v6.1 !

Ultralytics est ravie d’annoncer les derniers développements de sa technologie phare YOLO (Tu ne regardes qu’une seule fois). Avec la sortie de YOLOv5 v6.1, nous avons affiné notre architecture pour la rendre plus simple, plus rapide et plus performante. Notre précédente version, publiée en octobre 2021, a posé les bases de ces avancées. Nous sommes maintenant fiers de présenter ces mises à jour qui améliorent la convivialité et les performances de YOLO.

Mises à jour importantes#

Voici les principales améliorations apportées dans YOLOv5 v6.1 :

• Prise en charge de TensorRT : exportation, inférence et validation TensorRT à l’aide de python export.py --include engine (#5699 par @imyhxy). Il s’agit d’une étape importante : TensorRT de NVIDIA est un optimiseur et un moteur d’inférence haute performance pour l’apprentissage profond, qui offre une faible latence et un débit élevé pour les applications d’apprentissage profond.
• Prise en charge de TensorFlow Edge TPU ⭐ NOUVEAU : exportation vers Edge TPU pour les appareils Google Coral à l’aide de python export.py --include edgetpu (#3630 par @zldrobit). Associée au modèle YOLOv5n plus petit (1,9 M de paramètres), introduit dans la version 6.0 et exporté dans un format INT8 de seulement 2,1 Mo, cette prise en charge est particulièrement adaptée aux solutions mobiles ultralégères.
• Prise en charge d’OpenVINO : exportation OpenVINO à l’aide de python export.py --include openvino. Avec OpenVINO, les modèles peuvent désormais exploiter toute la puissance des processeurs et des GPU intégrés Intel pour une large gamme d’applications (#6057 par @glenn-jocher).
• Benchmarks d’exportation : nous avons ajouté un nouvel outil de benchmarking pour évaluer le mAP (précision moyenne) et la vitesse sur tous les formats d’exportation YOLOv5 avec python utils/benchmarks.py --weights yolov5s.pt. L’outil fonctionne actuellement sur les CPU ; nous prévoyons d’y ajouter des benchmarks GPU dans de futures mises à jour (#6613 par @glenn-jocher).
• Hyperparamètres : un ajustement mineur, mais crucial, a été apporté à nos hyperparamètres : dans hyp-scratch-large.yaml, le facteur de taux d’apprentissage (lrf) a été réduit de 0.2 à 0.1 (#6525 par @glenn-jocher).
• Entraînement : le planificateur de taux d’apprentissage (LR) par défaut a été remplacé par un cycle linéaire unique, à la place du cycle unique avec décroissance cosinus, afin d’améliorer les résultats d’entraînement (#6729 par @glenn-jocher).

YOLOv5 prend désormais officiellement en charge 11 formats, pour l’exportation, mais aussi l’inférence avec detect.py et PyTorch Hub, ainsi que la validation pour mesurer le mAP et la vitesse :

• ✅ PyTorch
• ✅ TorchScript
• ✅ ONNX
• ✅ OpenVINO
• ✅ TensorRT
• ✅ CoreML
• ✅ TensorFlow SavedModel
• ✅ TensorFlow GraphDef
• ✅ TensorFlow Lite
• ✅ TensorFlow Edge TPU
• ✅ TensorFlow.js

L’IA de tous, pour tous#

Chez Ultralytics, nous sommes motivés non seulement par le désir d’être à la pointe, mais aussi par la passion de participer à la communauté et de contribuer à ses avancées. La famille YOLOv5 a joué un rôle déterminant dans notre parcours et nous a accompagnés dans les réussites comme dans les défis. Cette mise à jour est une réussite collective qui témoigne du travail acharné des 271 PR de 48 contributeurs. Nous restons déterminés à démocratiser l’IA pour la rendre accessible et opérationnelle pour tous.

Rejoins la révolution de l’IA pour la vision#

Nous cherchons constamment de nouveaux talents et invitons tout le monde à collaborer à nos projets open source. Si tu souhaites rejoindre notre équipe IA, consulte notre page Carrières ou envisage de contribuer à YOLOv5.

Des passionnés d’IA à la détection d’objets la plus populaire de 2022#

Cette année, notre dépôt Ultralytics/YOLOv5 a franchi une étape importante en dépassant le dépôt pjreddie/darknet YOLOv3 de Joseph Redmon en nombre total d’étoiles GitHub, avec plus de 22,4 k étoiles à son actif. C’est un témoignage de la confiance et de l’enthousiasme de la communauté, et cela nous motive à continuer de repousser les limites de l’IA pour la vision. Nous sommes profondément honorés de faire vivre l’héritage de You Only Look Once.

Consulte notre dépôt GitHub YOLOv5 pour obtenir des informations détaillées sur cette nouvelle version et rejoins la communauté dynamique des passionnés de détection d’objets avec YOLO.

Découvre la magie de YOLO sans écrire de code#

Et ce n’est pas tout ! Si tu débutes en vision par ordinateur ou préfères utiliser une solution sans code, Ultralytics HUB est la porte d’entrée qu’il te faut. Découvre comment exploiter YOLO et la technologie de vision par ordinateur en quelques clics. Pour en savoir plus, consulte Ultralytics HUB - Ta porte d’entrée vers l’IA et lance-toi dans la vision par ordinateur.