Упрощение рабочих процессов классификации с Ultralytics YOLOv5 v6.2

YOLOv5 продолжает развивать передовые методы обнаружения объектов. Новые модели классификации, воспроизводимость обучения, поддержка Apple Metal Performance Shader (MPS), а также интеграции с ClearML и Deci — вот основные нововведения версии YOLOv5 v6.2.

Важные обновления Ultralytics YOLOv5#

С момента нашего предыдущего релиза в феврале 2022 года мы работали над улучшением YOLOv5. Вот самые важные обновления в последней версии YOLOv5 v6.2:

• Модели классификации: Впервые стали доступны предварительно обученные на ImageNet модели классификации изображений Ultralytics YOLOv5-cls.
• Логирование в ClearML: Интеграция с инструментом отслеживания экспериментов с открытым исходным кодом ClearML. Установка с помощью pip install clearml активирует интеграцию и позволит отслеживать каждый запуск обучения в ClearML. Это также дает возможность отслеживать запуски, сравнивать их и даже планировать удаленный запуск.
• Бенчмарки для экспорта на GPU: Запускай бенчмарки (mAP и скорость) для всех форматов экспорта YOLOv5 с помощью python utils/benchmarks.py --weights yolov5s.pt --device 0 для тестирования GPU или --device cpu для тестирования CPU.
• Воспроизводимость обучения: Обучение Ultralytics YOLOv5 на одном GPU с помощью torch>=1.12.0 теперь полностью воспроизводимо. Также можно использовать новый аргумент --seed (по умолчанию — seed=0).
• Поддержка Apple Metal Performance Shader (MPS): Поддержка MPS для устройств Apple M1/M2 с помощью --device mps (полная функциональность появится после обновлений torch в pytorch/pytorch#77764).

Новые модели классификации#

Наша главная цель в этом релизе — добавить простые рабочие процессы классификации YOLOv5, аналогичные уже существующим для обнаружения объектов. Новые модели v6.2 YOLOv5-cls — только начало; мы продолжим улучшать их наряду с существующими моделями обнаружения. Будем рады твоему вкладу в эту работу!

В этот релиз вошли 401 PR от 41 участника сообщества с момента нашего предыдущего релиза в феврале 2022 года. В нем появились обучение, валидация, предсказание и экспорт моделей классификации (во все 11 форматов), а также предварительно обученные на ImageNet модели YOLOv5m-cls, ResNet (18, 34, 50, 101) и EfficientNet (b0–b3).

Мы обучали модели классификации Ultralytics YOLOv5-cls на ImageNet в течение 90 эпох на экземпляре 4xA100. Чтобы сравнить результаты, мы также обучали модели ResNet и EfficientNet с теми же настройками по умолчанию. Все модели экспортировали в ONNX FP32 для тестирования скорости на CPU и в TensorRT FP16 для тестирования скорости на GPU. Все тесты скорости проводились в Google Colab Pro, чтобы их было легко воспроизвести.

Что дальше у Ultralytics?#

Следующий релиз, v6.3, запланирован на сентябрь 2022 года и добавит официальную поддержку сегментации экземпляров в Ultralytics YOLOv5. Позже в этом году выйдет крупный релиз v7.0 с обновленными архитектурами для всех трех задач: обнаружения, сегментации и классификации. (В итоге сегментация экземпляров появилась в YOLOv5 v7.0.)

Посети наш репозиторий YOLOv5 с открытым исходным кодом на GitHub, чтобы следить за обновлениями и узнать больше об этом выпуске.