Упрощение рабочих процессов классификации с помощью Ultralytics YOLOv5 v6.2

YOLOv5 поднимает планку современных технологий в детекции объектов на новую высоту! От новых моделей классификации, воспроизводимости обучения и поддержки Apple Metal Performance Shader (MPS) до интеграций с ClearML и Deci — мы представляем тебе новый релиз YOLOv5 v6.2.

Важные обновления Ultralytics YOLOv5#

Мы работали над улучшением твоей любимой архитектуры компьютерного зрения YOLO с момента нашего последнего релиза в феврале 2022 года. Вот самые важные обновления в новом YOLOv5 v6.2:

• Модели классификации: Модели классификации Ultralytics YOLOv5-cls, предобученные на ImageNet, теперь доступны впервые.
• Логирование в ClearML: Интеграция с трекером экспериментов с открытым исходным кодом ClearML. Установка с помощью pip install clearml включит интеграцию и позволит отслеживать каждый запуск обучения в ClearML. Это, в свою очередь, позволяет отслеживать и сравнивать запуски и даже планировать их удаленно.
• Бенчмарки экспорта для GPU: Проводи бенчмарки (mAP и скорость) всех форматов экспорта YOLOv5 с помощью python utils/benchmarks.py --weights yolov5s.pt --device 0 для GPU или --device CPU для CPU.
• Воспроизводимость обучения: Обучение Ultralytics YOLOv5 на одном GPU с torch>=1.12.0 теперь полностью воспроизводимо, и можно использовать новый аргумент --seed (по умолчанию seed=0).
• Поддержка Apple Metal Performance Shader (MPS): поддержка MPS для устройств на базе Apple M1/M2 с помощью --device mps (полная функциональность ожидает обновлений torch в pytorch/pytorch#77764).

Новые модели классификации#

Наша главная цель в этом релизе — представить простые рабочие процессы классификации YOLOv5, такие же как для наших существующих моделей детекции объектов. Новые модели v6.2 YOLOv5-cls — это только начало, мы продолжим улучшать их в дальнейшем вместе с нашими существующими моделями детекции. Будем рады твоему вкладу в эту работу!

Этот релиз включает 401 PR от 41 контрибьютора с момента нашего последнего релиза в феврале 2022 года. Он добавляет обучение, валидацию, предсказание и экспорт классификации (во все 11 форматов), а также предоставляет предобученные на ImageNet модели YOLOv5m-cls, ResNet (18, 34, 50, 101) и EfficientNet (b0-b3).

Мы обучили модели классификации Ultralytics YOLOv5-cls на ImageNet в течение 90 эпох, используя инстанс 4xA100, и для сравнения обучили рядом модели ResNet и EfficientNet с теми же настройками обучения по умолчанию. Мы экспортировали все модели в ONNX FP32 для тестов скорости на CPU и в TensorRT FP16 для тестов скорости на GPU. Мы провели все тесты скорости на Google Colab Pro для простой воспроизводимости.

Что дальше от Ultralytics?#

Наш следующий релиз, v6.3, запланирован на сентябрь 2022 года и принесет официальную поддержку сегментации экземпляров в Ultralytics YOLOv5, а крупный релиз v7.0 позже в этом году обновит архитектуры во всех 3 задачах: классификации, детекции и сегментации.

Посети наш репозиторий YOLOv5 с открытым исходным кодом на GitHub, чтобы быть в курсе событий и узнать больше об этом релизе.