Ultralytics YOLOv5 v7.0におけるインスタンス・セグメンテーションの導入

新しいセグメンテーション・チェックポイント

A100GPUを使用し、画像サイズ640で300エポック、COCO上でYOLOv5セグメンテーションモデルを学習した。すべてのモデルをCPUスピードテスト用にONNX FP32に、GPUスピードテスト用にTensorRT FP16にエクスポートした。再現性を容易にするため、すべてのスピードテストをGoogleColab Proノートブックで実行した。

• すべてのチェックポイントは、画像サイズ640、すべてのデフォルト設定で、lr0=0.01、weight_decay=5e-5のSGDオプティマイザで300エポックまで学習されています。すべての実行はここに記録されています。
• 精度の値は、COCOデータセットのシングルモデルシングルスケールのものです。python segment/val.py --data coco.yaml --weights yolov5s-seg.pt で再現。
• Colab Pro A100 High-RAMインスタンスを使用した100枚の推論画像の平均速度。値は推論速度のみを示す（NMSは1画像あたり約1msを追加）。python segment/val.py --data coco.yaml --weights yolov5s-seg.pt --batch 1で再現。
• FP32のONNXとFP16のTensorRTへのエクスポートはexport.pyで行いました。python export.py --weights yolov5s-seg.pt --include engine --device 0 --half で再現。

電車

YOLOv5のセグメンテーション学習は、-data coco128-seg.yaml引数によるCOCO128-segセグメンテーションデータセットの自動ダウンロードと、bash data/scripts/get_coco.sh --train --val --segments、そしてpython train.py --data coco.yamlによるCOCO-segmentsデータセットの手動ダウンロードに対応しています。

バル

ImageNet-1kデータセットでYOLOv5m-segの精度を検証：

bash data/scripts/get_coco.sh --val --segments # COCOのvalセグメント分割をダウンロードする (780MB、5000画像) python segment/val.py --weights yolov5s-seg.pt --data coco.yaml --img 640 # バリデーション

予測する

事前に学習したYOLOv5m-segを使ってbus.jpgを予測する：

python segment/predict.py --weights yolov5m-seg.pt --data data/images/bus.jpg

model = torch.hub.load('ultralytics/yolov5', 'custom', 'yolov5m-seg.pt') # PyTorch Hubからロード (WARNING: まだ推論はサポートされていません)

輸出

YOLOv5s-segモデルをONNXとTensorRTにエクスポートする：

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

ご質問がありますか？Ultralyticsフォーラムで質問したり、問題を提起したり、レポにPRを投稿してください。また、YOLOv5セグメンテーションColabノートブックでクイックスタートチュートリアルを始めることもできます。

‍