Ultralytics YOLOv5 v6.0 est arrivé !

Notre dernière mise à jour est arrivée le 12 octobre 2021 et constitue la première version majeure depuis avril 2021. La version v6.0 apporte des améliorations significatives qui réduisent les besoins en mémoire pendant la formation, augmentent la précision pendant le déploiement et optimisent les performances d'exécution pour toute la gamme des modèles YOLOv5.

‍

‍

Le résultat pour les ingénieurs ML et les data scientists est que YOLOv5 fournit maintenant une solution Vision AI plus puissante, et est encore plus facile à former et à déployer qu'auparavant. De nombreuses mises à jour des modèles de base ont été effectuées sur la base des résultats empiriques des efforts de R&D d'Ultralytics.

Les modifications comprennent de nouveaux modules et des améliorations des modules existants qui se combinent pour produire des modèles plus rapides, plus petits et plus précis.

Mais nous n'aurions pas pu le faire seuls ! Cette version incorpore 465 PRs de 73 contributeurs du monde entier, tous collaborant ensemble pour repousser les limites de l'IA. Si vous souhaitez en savoir plus ou contribuer vous-même, consultez nos lignes directrices relatives aux contributions open-source.

Cette version apporte des centaines de petits changements qui s'accumulent pour faire une réelle différence, bien trop nombreux pour être détaillés, mais voici quelques-uns des principaux points forts :

• Intégration Roboflow ⭐ NOUVEAU : Entraînez les modèles YOLOv5 directement sur n'importe quel ensemble de données Roboflow grâce à notre nouvelle intégration ! Cette intégration permet une connexion transparente entre vos jeux de données Roboflow et vos entraînements YOLOv5.(#4975 par @Jacobsolawetz)
  ‍
• YOLOv5n 'Nano' models ⭐ NEW : New smaller YOLOv5n (1.9M params) model below YOLOv5s (7.5M params), exports to 2.1 MB INT8 size, ideal for ultralight mobile solutions.(#5027 par @glenn-jocher)
  ‍
• TensorFlow et Keras: L'exportation de modèles TensorFlow, Keras, TFLite, TF.js est maintenant entièrement intégrée dans YOLOv5 pour des transitions transparentes de la formation au déploiement.(#1127 par @zldrobit)
  ‍
• OpenCV DNN: Les modèles ONNX YOLOv5 sont maintenant compatibles avec OpenCV DNN et ONNX Runtime pour fournir aux utilisateurs encore plus d'options de destination de déploiement.(#4833 par @jebastin-nadar)
  ‍
• Architecture du modèle: Les dorsales mises à jour sont légèrement plus petites, plus rapides et plus précises, et nécessitent moins de mémoire GPU pendant l'apprentissage.