Нажав кнопку "Принять все файлы cookie", вы соглашаетесь с сохранением файлов cookie на вашем устройстве для улучшения навигации по сайту, анализа его использования и помощи в наших маркетинговых усилиях. Дополнительная информация
Настройки файлов cookie
Нажав кнопку "Принять все файлы cookie", вы соглашаетесь с сохранением файлов cookie на вашем устройстве для улучшения навигации по сайту, анализа его использования и помощи в наших маркетинговых усилиях. Дополнительная информация
Откройте для себя YOLOv5 v7.0 с новыми моделями сегментации экземпляров, превосходящими эталоны SOTA по точности и скорости работы ИИ. Присоединяйтесь к нашему сообществу.
YOLOv5 v7.0, последняя версия нашей архитектуры искусственного интеллекта, уже вышла, и мы рады представить вам новые модели сегментации экземпляров!
Работая над этой последней версией, мы ставили перед собой две задачи. Первая - сделать ИИ простым, а вторая - переосмыслить значение слова "современный".
Благодаря значительным улучшениям, исправлениям и обновлениям мы сделали именно это. Сохранив те же простые рабочие процессы, что и в наших существующих моделях обнаружения объектов YOLOv5, теперь обучать, проверять и внедрять свои модели с YOLOv5 v7.0 стало проще, чем когда-либо. Кроме того, мы превзошли все контрольные показатели SOTA, сделав YOLOv5 самым быстрым и точным в мире.
Поскольку это наш первый выпуск моделей сегментации, мы безмерно гордимся этим событием. Мы выражаем огромную благодарность нашему сообществу и разработчикам, которые помогли сделать этот выпуск возможным.
Вот что было обновлено в YOLOv5 с момента нашего последнего выпуска YOLOv5 v6.2 в августе 2022 года.
Модели сегментации ⭐ НОВИНКА: Впервые доступны модели сегментации SOTA YOLOv5-seg COCO-pretrained(#9052 by @glenn-jocher, @AyushExel, and @Laughing-q)
Экспорт PaddlePaddle: Экспорт любой модели YOLOv5 (cls, seg, det) в формат Paddle с помощью python export.py --include paddle #9459 by @glenn-jocher)
YOLOv5 AutoCache: Использование python train.py --cache ram теперь будет проверять доступную память и сравнивать с прогнозируемым использованием оперативной памяти набора данных. Это снижает риск при кэшировании и должно помочь улучшить использование функции кэширования наборов данных, которая может значительно ускорить обучение.(#10027 by @glenn-jocher)
Интеграция журналов и визуализации Comet: Бесплатный навсегда, Comet позволяет сохранять модели YOLOv5, возобновлять обучение, а также интерактивно визуализировать и отлаживать прогнозы.(#9232 by @DN6)
Новые контрольные точки сегментации
Мы обучили модели сегментации YOLOv5 на COCO в течение 300 эпох при размере изображения 640, используя графические процессоры A100. Мы экспортировали все модели в ONNX FP32 для тестирования скорости CPU и в TensorRT FP16 для тестирования скорости GPU. Все тесты проводились на ноутбуках Google Colab Pro для удобства воспроизведения.
Все контрольные точки обучены на 300 эпох с оптимизатором SGD с lr0=0.01 и weight_decay=5e-5 при размере изображения 640 и всех настройках по умолчанию. Все прогоны регистрируются здесь.
Значения точности приведены для одномодельного одномасштабного набора данных COCO. Воспроизвести с помощью python segment/val.py --data coco.yaml --weights yolov5s-seg.pt
Скорость усреднена по 100 изображениям для выводов с использованием экземпляра Colab Pro A100 High-RAM. Значения указывают только на скорость вывода (NMS добавляет около 1 мс на изображение). Воспроизведено с помощью python segment/val.py --data coco.yaml --weights yolov5s-seg.pt --batch 1
Экспорт в ONNX при FP32 и TensorRT при FP16 выполняется с помощью export.py. Воспроизвести с помощью python export.py --weights yolov5s-seg.pt --include engine --device 0 --half
Примеры использования новой сегментации
Поезд
Обучение сегментации YOLOv5 поддерживает автоматическую загрузку набора данных сегментации COCO128-seg с аргументом --data coco128-seg.yaml и ручную загрузку набора данных COCO-segments с помощью bash data/scripts/get_coco.sh --train --val --segments и затем python train.py --data coco.yaml.