Упрощение рабочих процессов классификации с помощью Ultralytics YOLOv5 v6.2

YOLOv5 поднимает уровень техники в области обнаружения объектов на новую высоту! От новых моделей классификации, воспроизводимости обучения и поддержки Apple Metal Performance ShaderMPS) до интеграции с ClearML и Deci - мы представляем вам новый релиз YOLOv5 v6.2.

Важные обновления YOLOv5

Мы работаем над улучшением вашей любимой архитектуры YOLO Vision AI с момента нашего последнего релиза в феврале 2022 года. Вот самые важные обновления в последней версии YOLOv5 v6.2:

• Модели классификации: Впервые доступны модели классификации YOLOv5 ImageNet.
  ‍
• Ведение журналаClearML : Интеграция с трекером экспериментов с открытым исходным кодом ClearML. Установка с помощью pip install clearml включит интеграцию и позволит пользователям track каждый тренировочный прогон в ClearML. Это, в свою очередь, позволит пользователям track и сравнивать прогоны и даже планировать их удаленно.
  ‍
• Экспортные бенчмаркиGPU : бенчмаркиmAP и скорость) всех экспортных форматов YOLOv5 с помощью python utils/benchmarks.py --weights yolov5s.pt --device 0 для GPU или --device CPU для CPU .
  ‍
• Воспроизводимость тренировок: ТренировкиYOLOv5 на одном GPU с torch.12.0 теперь полностью воспроизводимы, и теперь можно использовать новый аргумент --seed (по умолчанию seed=0).
  ‍
• Поддержка Apple Metal Performance Shader (MPS): Поддержка MPS для устройств Apple M1/M2 с помощью функции --device mps (полная функциональность ожидает обновления torch в pytorch).

Новые модели классификации

Наша главная цель в этом выпуске - представить простые рабочие процессы классификации YOLOv5 , как и наши существующие модели обнаружения объектов. Новые модели YOLOv5 v6.2 - это только начало, мы будем продолжать совершенствовать их вместе с существующими моделями обнаружения. Мы будем рады вашему вкладу в эту работу!

Этот выпуск включает 401 PR от 41 автора с момента нашего последнего выпуска в феврале 2022 года. В нем добавлены обучение, проверка, предсказание и экспорт классификации (во все 11 форматов), а также предоставлены ImageNet модели ImageNet YOLOv5m-cls, ResNet (18, 34, 50, 101) и EfficientNet (b0-b3).

Мы обучили модели классификации YOLOv5 на ImageNet в течение 90 эпох с использованием экземпляра 4xA100, а также обучили модели ResNet и EfficientNet с теми же настройками обучения по умолчанию для сравнения. Мы экспортировали все модели в ONNX FP32 для тестирования скорости на CPU и в TensorRT FP16 для тестирования скорости на GPU . Все тесты на скорость мы проводили в Google Colab Pro для удобства воспроизведения.  

Что ждет нас дальше в сфере Ultralytics?

Наш следующий релиз v6.3 запланирован на сентябрь 2022 года и принесет официальную поддержку сегментации экземпляров в YOLOv5, а в конце этого года выйдет крупный релиз v7.0, в котором будут обновлены архитектуры для всех трех задач - классификации, обнаружения и сегментации.

Посетите наш открытый GitHub-репозиторий YOLOv5 , чтобы быть в курсе событий и узнать больше об этом выпуске.