Ultralytics YOLOv5 v6.2로 분류 워크플로 간소화하기

YOLOv5는 객체 탐지 분야의 최신 기술을 계속 발전시키고 있습니다. 새로운 분류 모델과 학습 재현성, Apple Metal Performance Shader(MPS) 지원부터 ClearML 및 Deci와의 통합까지, YOLOv5 v6.2 릴리스의 주요 변경 사항을 소개합니다.

Ultralytics YOLOv5 주요 업데이트#

2022년 2월 이전 릴리스 이후 YOLOv5를 개선해 왔습니다. 최신 YOLOv5 v6.2의 주요 업데이트는 다음과 같습니다.

• 분류 모델: ImageNet으로 사전 학습된 Ultralytics YOLOv5-cls 이미지 분류 모델을 처음으로 사용할 수 있습니다.
• ClearML 로깅: 오픈소스 실험 추적 도구인 ClearML과 통합했습니다. pip install clearml을 설치하면 통합 기능이 활성화되어 사용자가 모든 학습 실행을 ClearML에서 추적할 수 있습니다. 이를 통해 실행을 추적하고 비교하며 원격으로 예약할 수도 있습니다.
• GPU 내보내기 벤치마크: GPU 벤치마크에는 python utils/benchmarks.py --weights yolov5s.pt --device 0을, CPU 벤치마크에는 --device cpu을 사용해 모든 YOLOv5 내보내기 형식의 벤치마크(mAP 및 속도)를 실행할 수 있습니다.
• 학습 재현성: torch>=1.12.0을 사용한 단일 GPU Ultralytics YOLOv5 학습을 완전히 재현할 수 있으며, 새 --seed 인수를 사용할 수 있습니다(기본값은 seed=0).
• Apple Metal Performance Shader(MPS) 지원: --device mps을 사용하면 Apple M1/M2 디바이스에서 MPS를 지원합니다( pytorch/pytorch#77764의 torch 업데이트가 적용되면 전체 기능을 사용할 수 있습니다).

새로운 분류 모델#

이번 릴리스의 주요 목표는 기존 객체 탐지 모델과 마찬가지로 간단한 YOLOv5 분류 워크플로를 제공하는 것입니다. 새로운 v6.2 YOLOv5-cls 모델은 시작에 불과하며, 기존 탐지 모델과 함께 계속 개선해 나가겠습니다. 이 작업에 기여해 주시면 감사하겠습니다!

이번 릴리스에는 2022년 2월 이전 릴리스 이후 41명의 기여자가 제출한 PR 401개가 포함되었습니다. 분류 학습, 검증, 예측 및 11개 형식으로의 내보내기를 지원하며, ImageNet 사전 학습 YOLOv5m-cls, ResNet(18, 34, 50, 101), EfficientNet(b0-b3) 모델도 제공합니다.

4xA100 인스턴스를 사용해 ImageNet에서 Ultralytics YOLOv5-cls 분류 모델을 90 에폭 동안 학습했으며, 비교를 위해 ResNet과 EfficientNet 모델도 동일한 기본 학습 설정으로 학습했습니다. CPU 속도 테스트를 위해 모든 모델을 ONNX FP32로, GPU 속도 테스트를 위해 TensorRT FP16으로 내보냈습니다. 재현성을 쉽게 확보할 수 있도록 모든 속도 테스트를 Google Colab Pro에서 실행했습니다.

Ultralytics의 다음 계획은 무엇인가요?#

다음 릴리스인 v6.3은 2022년 9월로 예정되어 있으며 Ultralytics YOLOv5에 공식 인스턴스 분할 지원을 추가할 계획입니다. 올해 후반에 예정된 주요 v7.0 릴리스에서는 탐지, 분할, 분류 등 세 가지 작업 전반의 아키텍처를 업데이트할 예정입니다. (인스턴스 분할은 이후 YOLOv5 v7.0에 도입되었습니다.)

최신 소식을 확인하고 이번 릴리스에 대해 더 알아보려면 YOLOv5 오픈소스 GitHub 저장소를 방문하세요.