Ultralytics YOLOv5 v7.0의 인스턴스 분할 소개

AI 아키텍처의 최신 버전인 YOLOv5 v7.0이 출시되었습니다. 새로운 인스턴스 세그멘테이션 모델을 소개하게 되어 매우 기쁩니다!

이번 최신 버전을 개발하면서 두 가지 목표에 집중했습니다. 첫 번째는 AI를 쉽게 이용할 수 있도록 하려는 사명이었고, 두 번째는 진정한 “최첨단”의 의미를 새롭게 정의하려는 목표였습니다.

대폭적인 개선, 수정 및 업그레이드를 통해 이 목표를 실현했습니다. 기존 Ultralytics YOLOv5 객체 탐지 모델과 동일한 간단한 워크플로를 유지하면서 YOLOv5 v7.0으로 모델을 학습, 검증 및 배포하는 일이 그 어느 때보다 쉬워졌습니다. 또한 모든 SOTA 벤치마크를 넘어 YOLOv5를 세계에서 가장 빠르고 정확한 모델로 만들었습니다.

세그멘테이션 모델을 처음 출시하게 되어 이 이정표가 매우 자랑스럽습니다. 이번 출시가 가능하도록 도와주신 헌신적인 커뮤니티와 기여자 여러분께 깊이 감사드립니다.

그럼 YOLOv5 v7.0 릴리스 노트를 살펴보겠습니다!

Ultralytics YOLOv5 주요 업데이트#

2022년 8월 YOLOv5 v6.2 출시 이후 YOLOv5에 적용된 업데이트는 다음과 같습니다.

• 세그멘테이션 모델 ⭐ 신규: SOTA YOLOv5-seg COCO 사전 학습 세그멘테이션 모델을 처음으로 사용할 수 있습니다(#9052, @glenn-jocher, @AyushExel, @Laughing-q 작성).
• PaddlePaddle 내보내기: python export.py --include paddle을 사용해 모든 YOLOv5 모델(cls, seg, det)을 Paddle 형식으로 내보낼 수 있습니다(#9459, @glenn-jocher 작성).
• YOLOv5 AutoCache: 이제 python train.py --cache ram을 실행하면 사용 가능한 메모리를 검색해 예상 데이터셋 RAM 사용량과 비교합니다. 이를 통해 캐싱 위험을 줄이고 데이터셋 캐싱 기능의 도입을 촉진할 수 있으며, 학습 속도를 크게 높일 수 있습니다. (#10027, @glenn-jocher 작성).
• Comet 로깅 및 시각화 통합: 무료로 영구 제공되는 Comet을 사용하면 YOLOv5 모델을 저장하고 학습을 재개하며 예측 결과를 대화형으로 시각화하고 디버깅할 수 있습니다. (#9232, @DN6 작성).

새로운 세그멘테이션 체크포인트#

Ultralytics YOLOv5 세그멘테이션 모델을 COCO에서 A100 GPU로 이미지 크기 640, 300 에포크 동안 학습했습니다. CPU 속도 테스트용으로 모든 모델을 ONNX FP32로, GPU 속도 테스트용으로 TensorRT FP16으로 내보냈습니다. 손쉽게 재현할 수 있도록 모든 속도 테스트는 Google Colab Pro 노트북에서 실행했습니다.

• 모든 체크포인트는 이미지 크기 640과 모든 기본 설정을 사용해 SGD 옵티마이저, lr0=0.01, weight_decay=5e-5로 300 에포크 동안 학습했습니다. 모든 실행 결과는 Weights & Biases 학습 로그에 기록되어 있습니다.
• 정확도 값은 COCO 데이터셋에서 단일 모델, 단일 스케일로 측정한 결과입니다. python segment/val.py --data coco.yaml --weights yolov5s-seg.pt로 재현할 수 있습니다.
• 속도는 Colab Pro A100 High-RAM 인스턴스에서 추론 이미지 100장의 평균을 측정한 값입니다. 값은 추론 속도만 나타냅니다(NMS는 이미지당 약 1ms를 추가합니다). python segment/val.py --data coco.yaml --weights yolov5s-seg.pt --batch 1로 재현할 수 있습니다.
• ONNX FP32 및 TensorRT FP16 내보내기는 export.py로 수행했습니다. python export.py --weights yolov5s-seg.pt --include engine --device 0 --half로 재현할 수 있습니다.

새로운 세그멘테이션 사용 예시#

학습#

Ultralytics YOLOv5 세그멘테이션 학습은 --data coco128-seg.yaml 인수로 COCO128-seg 세그멘테이션 데이터셋을 자동 다운로드하도록 지원합니다. 또는 bash data/scripts/get_coco.sh --train --val --segments로 COCO-segments 데이터셋을 수동 다운로드한 다음 python train.py --data coco.yaml을 실행할 수 있습니다.

단일 GPU#

python segment/train.py --model yolov5s-seg.pt --data coco128-seg.yaml --epochs 5 --img 640

다중 GPU DDP#

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

검증#

COCO 데이터셋에서 YOLOv5m-seg 정확도 검증:

bash data/scripts/get_coco.sh --val --segments # COCO val 세그먼트 분할 다운로드 (780MB, 5000개 이미지) python segment/val.py --weights yolov5s-seg.pt --data coco.yaml --img 640 # 검증

예측#

사전 학습된 YOLOv5m-seg를 사용해 bus.jpg를 예측합니다:

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

model = torch.hub.load('ultralytics/yolov5', 'custom', 'yolov5m-seg.pt') # PyTorch Hub에서 로드 (경고: 아직 추론을 지원하지 않음)

내보내기#

YOLOv5s-seg 모델을 ONNX 및 TensorRT로 내보내기:

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

질문이 있으신가요? Ultralytics 포럼에 질문하거나, 저장소에서 이슈를 등록하거나, PR을 제출해 주세요. 빠른 시작 튜토리얼은 YOLOv5 세그멘테이션 Colab 노트북에서 확인할 수 있습니다.