Ultralytics YOLOv5 v6.2による分類ワークフローの簡素化

YOLOv5は、物体検出の最先端を押し広げ続けています。新しい分類モデル、トレーニングの再現性、Apple Metal Performance Shader (MPS) のサポートから、ClearMLやDeciとの統合まで、YOLOv5 v6.2のリリース内容をご紹介します。

Ultralytics YOLOv5の重要なアップデート#

2022年2月の前回のリリース以降、YOLOv5の改善に取り組んできました。最新のYOLOv5 v6.2における重要な更新内容は次のとおりです。

• 分類モデル： Ultralytics YOLOv5-clsのImageNet事前学習済み画像分類モデルが、初めて利用可能になりました。
• ClearMLのログ記録： オープンソースの実験追跡ツールClearMLとの統合です。pip install clearmlをインストールすると統合が有効になり、ユーザーはすべてのトレーニング実行をClearMLで追跡できます。これにより、実行の追跡と比較に加えて、実行をリモートでスケジュールすることもできます。
• GPUエクスポートのベンチマーク： GPUベンチマークにはpython utils/benchmarks.py --weights yolov5s.pt --device 0、CPUベンチマークには--device cpuを使って、YOLOv5のすべてのエクスポート形式のベンチマーク（mAPと速度）を実施できます。
• トレーニングの再現性： torch>=1.12.0を使った単一GPUでのUltralytics YOLOv5のトレーニングが完全に再現可能になりました。また、新しい--seed引数を使用できます（デフォルトはseed=0です）。
• Apple Metal Performance Shader (MPS) のサポート： --device mpsを使うと、Apple M1/M2デバイスでMPSを利用できます（pytorch/pytorch#77764におけるtorchの更新待ちの機能があります）。

新しい分類モデル#

今回のリリースの主な目標は、既存の物体検出モデルと同様に、シンプルなYOLOv5分類ワークフローを導入することです。新しいv6.2のYOLOv5-clsモデルは出発点にすぎません。今後も既存の検出モデルとともに改善を続けていきます。この取り組みへの貢献を歓迎します。

今回のリリースには、2022年2月の前回リリース以降、41人の貢献者による401件のPRが含まれています。分類のトレーニング、検証、推論、エクスポート（全11形式）に対応し、ImageNet事前学習済みのYOLOv5m-cls、ResNet (18、34、50、101)、EfficientNet (b0～b3) モデルも提供します。

Ultralytics YOLOv5-cls分類モデルは、4xA100インスタンスを使ってImageNetで90エポック学習しました。また、比較のため、ResNetとEfficientNetモデルも同じデフォルトのトレーニング設定で学習しました。CPU速度テスト用にすべてのモデルをONNX FP32に、GPU速度テスト用にTensorRT FP16にエクスポートしました。再現しやすいよう、すべての速度テストをGoogle Colab Proで実施しました。

Ultralyticsの次の展開#

次のリリースv6.3は2022年9月に予定されており、Ultralytics YOLOv5にインスタンスセグメンテーションの公式サポートを追加します。今年後半には、検出、セグメンテーション、分類の3つのタスクすべてにわたってアーキテクチャを更新するメジャーリリースv7.0も予定されています。（インスタンスセグメンテーションは最終的にYOLOv5 v7.0で導入されました。）

YOLOv5のオープンソースGitHubリポジトリにアクセスして、最新情報を確認し、このリリースの詳細をご覧ください。