Introduzione della segmentazione delle istanze in Ultralytics YOLOv5 v7.0

YOLOv5 v7.0, l'ultima versione della nostra architettura AI, è uscita e siamo entusiasti di presentare i nostri nuovi modelli di segmentazione delle istanze!

Mentre lavoravamo a quest'ultima versione, abbiamo tenuto due obiettivi ben presenti. Il primo era la nostra missione di rendere l'IA facile e il secondo era il nostro obiettivo di ridefinire ciò che significa veramente "stato dell'arte".

Con significativi miglioramenti, correzioni e aggiornamenti, abbiamo fatto proprio questo. Mantenendo gli stessi semplici flussi di lavoro dei nostri modelli di rilevamento degli oggetti YOLOv5 esistenti, ora è più facile che mai addestrare, convalidare e distribuire i vostri modelli con YOLOv5 v7.0. Inoltre, abbiamo superato tutti i benchmark SOTA, rendendo YOLOv5 il più veloce e preciso al mondo.

Essendo questa la nostra prima release di modelli di segmentazione, siamo immensamente orgogliosi di questo traguardo. Ringraziamo la nostra comunità e i nostri collaboratori dedicati, che hanno contribuito a rendere possibile questa release.  

Quindi, iniziamo con le note di rilascio di YOLOv5 v7.0!

Aggiornamenti importanti di YOLOv5

Ecco cosa è stato aggiornato in YOLOv5 dall'ultimo rilascio di YOLOv5 v6.2 nell'agosto 2022.

• Modelli di segmentazione ⭐ NOVITÀ: i modelli di segmentazione SOTA YOLOv5 COCO sono ora disponibili per la prima volta(#9052 di @glenn-jocher, @AyushExel e @Laughing-q).
• EsportazionePaddlePaddle : Esportazione di qualsiasi modello YOLOv5 (cls, seg, det) in formato Paddle con python export.py --include paddle #9459 di @glenn-jocher)
• YOLOv5 AutoCache: L'uso di python train.py --cache ram ora analizza la memoria disponibile e la confronta con l'uso previsto della RAM del dataset. Questo riduce i rischi della cache e dovrebbe contribuire a migliorare l'adozione della funzione di cache del dataset, che può accelerare significativamente l'addestramento.(#10027 di @glenn-jocher)
• Integrazione di registrazione e visualizzazioneComet : Gratis per sempre, Comet consente di salvare i modelli YOLOv5 , di riprendere l'addestramento e di visualizzare ed eseguire il debug delle previsioni in modo interattivo.(#9232 di @DN6)

Nuovi checkpoint di segmentazione

Abbiamo addestrato i modelli di segmentazione YOLOv5 su COCO per 300 epoche con immagini di dimensioni 640 utilizzando le GPU A100. Abbiamo esportato tutti i modelli in ONNX FP32 per i test di velocità CPU e in TensorRT FP16 per i test di velocità GPU . Abbiamo eseguito tutti i test di velocità su notebook Google Colab Pro per una facile riproducibilità.

• Tutti i checkpoint sono addestrati a 300 epoche con l'ottimizzatore SGD con lr0=0,01 e weight_decay=5e-5 con dimensioni dell'immagine 640 e tutte le impostazioni predefinite. Tutte le corse sono registrate qui.
• I valori di accuratezza si riferiscono a un modello a scala singola sul dataset COCO . Riproduzione con python segment.py --data cocoyaml --weights yolov5s-seg.pt
• Velocità media su 100 immagini di inferenza utilizzando un'istanza Colab Pro A100 High-RAM. I valori indicano solo la velocità di inferenzaNMS aggiunge circa 1 ms per immagine). Riproduzione con python segment.py --data cocoyaml --weights yolov5s-seg.pt --batch 1
• Esportazione in ONNX a FP32 e TensorRT a FP16 effettuata con export.py. Riprodurre con python export.py --pesi yolov5s-seg.pt --include engine --device 0 --half

Nuovi esempi di utilizzo della segmentazione

Addestra

L'addestramento alla segmentazione di YOLOv5 supporta il download automatico del dataset di segmentazione COCO128 con l'argomento --data coco128-segyaml e il download manuale del dataset COCO con bash data/scripts/get_coco.sh --train --val --segments e poi python train.py --data cocoyaml.

GPU GPU

python segment.py --model yolov5s-seg.pt --data coco128-segyaml --epochs 5 --img 640

DDP GPU

python -m torch.distributed.run --nproc_per_node 4 --master_port 1 segment.py --model yolov5s-seg.pt --data coco128-segyaml --epochs 5 --img 640 --device 0,1,2,3

Val

Convalidare l'accuratezza di YOLOv5m-seg sul set di dati ImageNet:

bash data/scripts/get_coco.sh --val --segments # scarica i segmenti COCO val suddivisi (780MB, 5000 immagini) python segment.py --weights yolov5s-seg.pt --data cocoyaml --img 640 # convalida

Predici

Utilizza YOLOv5m-seg pre-addestrato per prevedere bus.jpg:

python segment.py --pesi yolov5m-seg.pt --dati data/images/bus.jpg

model = torch.hub.load(ultralyticsyolov5', 'custom', 'yolov5m-seg.pt') # caricamento da PyTorch Hub (ATTENZIONE: inferenza non ancora supportata)

Esporta

Esportare il modello YOLOv5s-seg in ONNX e TensorRT:

python export.py --peso yolov5s-seg.pt --include onnx engine --img 640 --device 0

Avete domande? Chiedete al forum di Ultralytics , sollevate un problema o inviate una PR sul repo. Potete anche iniziare con il nostro taccuinoYOLOv5 per la segmentazione del Colab per avere delle esercitazioni rapide.

‍