새로운 인스턴스 세분화 모델을 통해 최고의 AI 정확도와 속도로 SOTA 벤치마크를 능가하는 YOLOv5 v7.0에 대해 알아보세요. 커뮤니티에 참여하세요.

새로운 인스턴스 세분화 모델을 통해 최고의 AI 정확도와 속도로 SOTA 벤치마크를 능가하는 YOLOv5 v7.0에 대해 알아보세요. 커뮤니티에 참여하세요.
최신 버전의 AI 아키텍처인 YOLOv5 v7.0이 출시되었으며, 새로운 인스턴스 세분화 모델을 소개하게 되어 매우 기쁩니다!
이번 최신 버전을 개발하는 동안 저희는 두 가지 목표를 최우선으로 생각했습니다. 첫 번째는 AI를 쉽게 만들겠다는 사명이었고, 두 번째는 '최첨단'의 진정한 의미를 재정의하겠다는 목표였습니다.
따라서 대폭적인 개선, 수정 및 업그레이드를 통해 바로 그 일을 해냈습니다. 기존 YOLOv5 객체 감지 모델과 동일한 간단한 워크플로를 유지하면서 이제 YOLOv5 v7.0으로 모델을 훈련, 검증 및 배포하는 것이 그 어느 때보다 쉬워졌습니다. 또한 모든 SOTA 벤치마크를 뛰어넘어 세계에서 가장 빠르고 정확한 YOLOv5를 효과적으로 구현했습니다.
세분화 모델의 첫 번째 릴리스인 만큼, 이 이정표를 달성하게 되어 매우 자랑스럽습니다. 이번 릴리스를 가능하게 해준 헌신적인 커뮤니티와 기여자들에게 많은 감사를 표합니다.
이제 YOLOv5 v7.0 릴리즈 노트부터 시작하겠습니다!
2022년 8월에 YOLOv5 v6.2를 마지막으로 릴리스한 이후 YOLOv5에 업데이트된 사항은 다음과 같습니다.
A100 GPU를 사용하여 이미지 크기 640에서 300개의 에포크에 대해 COCO에서 YOLOv5 세그먼테이션 모델을 훈련했습니다. CPU 속도 테스트를 위해 모든 모델을 ONNX FP32로 내보냈고, GPU 속도 테스트를 위해 TensorRT FP16으로 내보냈습니다. 재현성을 높이기 위해 모든 속도 테스트는 Google Colab Pro 노트북에서 실행했습니다.
YOLOv5 세그먼트 학습은 --data coco128-seg.yaml 인수를 사용하여 COCO128-seg 세그먼트 데이터 세트를 자동 다운로드하고, bash data/scripts/get_coco.sh --train --val --segments를 사용한 다음 python train.py --data coco.yaml을 사용하여 COCO-seg 데이터 세트를 수동 다운로드하는 것을 지원합니다.
파이썬 세그먼트/트레인.py --model yolov5s-seg.pt --data 코코128-seg.yaml --epochs 5 --img 640
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
ImageNet-1k 데이터 세트에서 YOLOv5m-seg 정확도를 검증합니다:
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 # 유효성 검사
사전 학습된 YOLOv5m-seg를 사용하여 버스.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') # 파이토치 허브에서 로드 (경고: 아직 추론이 지원되지 않음)
YOLOv5s-seg 모델을 ONNX 및 TensorRT로 내보냅니다:
python export.py --weights yolov5s-seg.pt --include onnx engine --img 640 --device 0
질문이 있으신가요? Ultralytics 포럼에 질문하거나, 문제를 제기하거나, 리포지토리에 PR을 제출하세요. 빠른 시작 튜토리얼을 위한 YOLOv5 세분화 Colab 노트북으로 시작할 수도 있습니다.