Ultralytics YOLOv5 v7.0의 인스턴스 세그멘테이션 소개

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

이번 최신 릴리스를 작업하면서 두 가지 목표를 최우선으로 고려했습니다. 첫 번째는 AI를 쉽게 만들겠다는 우리의 사명이고, 두 번째는 “최첨단(state-of-the-art)”의 의미를 진정으로 재정의하겠다는 목표였습니다.

따라서 상당한 개선, 수정 및 업그레이드를 통해 이를 달성했습니다. 기존 YOLOv5 객체 탐지 모델과 동일한 간단한 워크플로를 유지하면서 YOLOv5 v7.0으로 모델을 학습, 검증 및 배포하는 것이 그 어느 때보다 쉬워졌습니다. 또한 모든 SOTA 벤치마크를 능가하여 YOLOv5를 세계에서 가장 빠르고 정확한 모델로 만들었습니다.

이번이 첫 번째 세그멘테이션 모델 릴리스이므로, 이러한 이정표를 달성하게 되어 매우 자랑스럽게 생각합니다. 이번 릴리스를 가능하게 해준 헌신적인 커뮤니티와 기여자분들께 깊은 감사를 드립니다.

그럼 YOLOv5 v7.0 릴리스 노트와 함께 시작해 보겠습니다!

Link to this section주요 YOLOv5 업데이트#

2022년 8월 YOLOv5 v6.2 릴리스 이후 YOLOv5의 업데이트 내용은 다음과 같습니다.

• 세그멘테이션 모델 ⭐ 신규: SOTA YOLOv5-seg COCO 사전 학습 세그멘테이션 모델을 처음으로 사용할 수 있게 되었습니다 (#9052, @glenn-jocher, @AyushExel, @Laughing-q 작성)
• PaddlePaddle Export: Export any YOLOv5 model (cls, seg, det) to Paddle format with python export.py --include paddle #9459 by @glenn-jocher)
• YOLOv5 AutoCache: Use python train.py --cache ram will now scan available memory and compare against predicted dataset RAM usage. This reduces risk in caching and should help improve adoption of the dataset caching feature, which can significantly speed up training. (#10027 by @glenn-jocher)
• Comet 로깅 및 시각화 통합: 영구 무료인 Comet을 사용하면 YOLOv5 모델을 저장하고, 학습을 재개하며, 예측을 대화형으로 시각화하고 디버깅할 수 있습니다. (#9232, @DN6 작성)

Link to this section새로운 세그멘테이션 체크포인트#

우리는 A100 GPU를 사용하여 이미지 크기 640에서 300 에포크 동안 COCO 데이터셋으로 YOLOv5 세그멘테이션 모델을 학습시켰습니다. 모든 모델을 CPU 속도 테스트를 위해 ONNX FP32로, GPU 속도 테스트를 위해 TensorRT FP16으로 내보냈습니다. 쉬운 재현성을 위해 모든 속도 테스트는 Google Colab Pro 노트북에서 실행되었습니다.

• 모든 체크포인트는 300 에폭 동안 SGD 옵티마이저(lr0=0.01, weight_decay=5e-5, 이미지 크기 640, 기본 설정 전체 적용)로 학습되었습니다. 모든 실행 결과는 Weights & Biases training logs에 기록되어 있습니다.
• Accuracy values are for single-model single-scale on COCO dataset. Reproduce by python segment/val.py --data coco.yaml --weights yolov5s-seg.pt
• Speed averaged over 100 inference images using a Colab Pro A100 High-RAM instance. Values indicate inference speed only (NMS adds about 1ms per image). Reproduce by python segment/val.py --data coco.yaml --weights yolov5s-seg.pt --batch 1
• Export to ONNX at FP32 and TensorRT at FP16 done with export.py. Reproduce by python export.py --weights yolov5s-seg.pt --include engine --device 0 --half

Link to this section새로운 세그멘테이션 사용 예시#

Link to this section학습#

YOLOv5 segmentation training supports auto-download COCO128-seg segmentation dataset with --data coco128-seg.yaml argument and manual download of COCO-segments dataset with bash data/scripts/get_coco.sh --train --val --segments and then python train.py --data coco.yaml.

Link to this section단일 GPU#

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

Link to this section멀티 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

Link to this section검증(Val)#

COCO 데이터셋에서 YOLOv5m-seg 정확도 검증:

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

Link to this section예측(Predict)#

사전 학습된 YOLOv5m-seg를 사용하여 bus.jpg 예측:

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: 추론은 아직 지원되지 않음)

Link to this section내보내기(Export)#

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 문의하거나, 이슈를 제기하거나, 리포지토리에 PR을 제출하십시오. 빠른 시작 튜토리얼은 YOLOv5 세그멘테이션 Colab 노트북에서 시작할 수도 있습니다.