Упрощаем процессы классификации с Ultralytics YOLOv5 v6.2

YOLOv5 выводит современные методы обнаружения объектов на новый уровень! От новых моделей классификации, воспроизводимости обучения и поддержки Apple Metal Performance Shader (MPS) до интеграций с ClearML и Deci — представляем новый релиз YOLOv5 v6.2.

Важные обновления Ultralytics YOLOv5#

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

• Модели классификации: предварительно обученные на ImageNet модели классификации Ultralytics YOLOv5-cls впервые стали доступны.
• Логирование с ClearML: интеграция с трекером экспериментов с открытым исходным кодом ClearML. Установка с помощью pip install clearml активирует интеграцию и позволит отслеживать каждый запуск обучения в ClearML. Это, в свою очередь, позволяет отслеживать и сравнивать запуски и даже удалённо планировать их.
• Бенчмарки экспорта на GPU: сравнивай все форматы экспорта YOLOv5 по mAP и скорости с помощью python utils/benchmarks.py --weights yolov5s.pt --device 0 для бенчмарков на GPU или --device CPU для бенчмарков на CPU.
• Воспроизводимость обучения: обучение Ultralytics YOLOv5 на одной GPU с torch>=1.12.0 теперь полностью воспроизводимо, а новый аргумент --seed можно использовать для задания начального значения (по умолчанию seed=0).
• Поддержка Apple Metal Performance Shader (MPS): поддержка MPS для устройств Apple M1/M2 с параметром --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, аналогичные уже существующим моделям обнаружения объектов. Новые модели YOLOv5-cls в версии v6.2 — только начало: мы продолжим улучшать их вместе с существующими моделями обнаружения. Мы будем рады твоему вкладу в этот проект!

С момента нашего последнего релиза в феврале 2022 года в этот релиз вошёл 401 PR от 41 участника. Он добавляет обучение, валидацию, предсказание и экспорт моделей классификации во все 11 форматов, а также предоставляет 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, а модели ResNet и EfficientNet обучали параллельно с теми же настройками обучения по умолчанию для сравнения. Все модели мы экспортировали в ONNX FP32 для тестов скорости на CPU и в TensorRT FP16 для тестов скорости на GPU. Все тесты скорости мы проводили в Google Colab Pro для удобства воспроизведения результатов.

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 крупный релиз v7.0 обновит архитектуры для всех трёх задач: классификации, обнаружения и сегментации.

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