Ultralytics YOLOv5 v7.0의 인스턴스 세그멘테이션 소개

YOLOv5 v7.0은 당사의 최신 AI 아키텍처 버전으로 출시되었으며, 새로운 인스턴스 세그멘테이션 모델을 소개하게 되어 매우 기쁩니다!

이번 최신 릴리스를 작업하는 동안 두 가지 목표를 가장 중요하게 유지했습니다. 첫 번째는 AI를 쉽게 만드는 것이었고, 두 번째는 “state-of-the-art”가 진정으로 의미하는 바를 재정의하는 것이었습니다.

따라서 중요한 개선 사항, 수정 사항 및 업그레이드를 통해 바로 이를 실현했습니다. 기존 Ultralytics YOLOv5 객체 탐지 모델과 동일한 간단한 워크플로를 유지하면서, 이제 YOLOv5 v7.0을 사용해 모델을 학습, 검증 및 배포하는 일이 그 어느 때보다 쉬워졌습니다. 또한 모든 SOTA 벤치마크를 넘어 YOLOv5를 세계에서 가장 빠르고 정확한 모델로 만들었습니다.

이번이 세그멘테이션 모델의 첫 릴리스인 만큼, 이 이정표를 이루게 되어 매우 자랑스럽습니다. 이번 릴리스가 가능하도록 도와주신 헌신적인 커뮤니티와 기여자 여러분께 깊이 감사드립니다.

그럼 YOLOv5 v7.0 릴리스 노트를 살펴보겠습니다!

Ultralytics YOLOv5 주요 업데이트#

2022년 8월 마지막 YOLOv5 v6.2 릴리스 이후 YOLOv5에 어떤 업데이트가 있었는지 소개합니다.

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

새로운 세그멘테이션 체크포인트#

Ultralytics YOLOv5 세그멘테이션 모델을 COCO에서 이미지 크기 640, A100 GPU를 사용해 300 epoch 동안 학습했습니다. CPU 속도 테스트를 위해 모든 모델을 ONNX FP32로, GPU 속도 테스트를 위해 TensorRT FP16으로 내보냈습니다. 재현하기 쉽도록 모든 속도 테스트는 Google Colab Pro 노트북에서 실행했습니다.

• 모든 체크포인트는 이미지 크기 640과 모든 기본 설정에서 SGD optimizer, lr0=0.01 및 weight_decay=5e-5를 사용해 300 epoch 동안 학습했습니다. 모든 실행 기록은 Weights & Biases 학습 로그에 저장됩니다.
• 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 100개의 추론 이미지에 대해 평균을 낸 값입니다. 값은 추론 속도만 나타내며, NMS는 이미지당 약 1ms를 추가합니다. python segment/val.py --data coco.yaml --weights yolov5s-seg.pt --batch 1로 재현할 수 있습니다.
• export.py를 사용해 ONNX FP32 및 TensorRT FP16으로 내보냈습니다. python export.py --weights yolov5s-seg.pt --include engine --device 0 --half로 재현할 수 있습니다.

새로운 세그멘테이션 사용 예제#

학습#

Ultralytics YOLOv5 세그멘테이션 학습에서는 --data coco128-seg.yaml 인수를 사용해 COCO128-seg 세그멘테이션 데이터셋을 자동으로 다운로드할 수 있으며, bash data/scripts/get_coco.sh --train --val --segments를 사용해 COCO-segments 데이터셋을 수동으로 다운로드한 다음 python train.py --data coco.yaml을 실행할 수도 있습니다.

단일 GPU#

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

멀티 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 정확도를 검증합니다:

bash data/scripts/get_coco.sh --val --segments # COCO val segments 분할 다운로드 (780MB, 이미지 5000개) 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 내보냅니다:

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

궁금한 점이 있으신가요? Ultralytics 포럼에 질문하거나, 이슈를 등록하거나, 저장소에서 PR을 제출해 주세요. 빠른 시작 튜토리얼을 위해 YOLOv5 세그멘테이션 Colab 노트북을 사용해 시작할 수도 있습니다.