Ultralytics YOLOv5 v7.0'da Örnek Bölümlemeyi Tanıtıyoruz

AI mimarimizin en son sürümü olan YOLOv5 v7.0 çıktı ve yeni örnek segmentasyonu modellerimizi tanıtmaktan heyecan duyuyoruz!

Bu son sürüm üzerinde çalışırken iki hedefi ön planda tuttuk. Birincisi yapay zekayı kolaylaştırma misyonumuz, ikincisi ise "en son teknolojinin" gerçekte ne anlama geldiğini yeniden tanımlama hedefimizdi.

Önemli iyileştirmeler, düzeltmeler ve yükseltmelerle tam olarak bunu yaptık. Mevcut YOLOv5 nesne algılama modellerimizle aynı basit iş akışlarını koruyarak, modellerinizi YOLOv5 v7.0 ile eğitmek, doğrulamak ve dağıtmak artık her zamankinden daha kolay. Bunun da ötesinde, tüm SOTA kıyaslamalarını geride bırakarak YOLOv5'i dünyanın en hızlı ve en doğru modeli haline getirdik.

Segmentasyon modellerimizin ilk sürümü olduğu için bu dönüm noktasıyla gurur duyuyoruz. Bu sürümü mümkün kılmaya yardımcı olan özverili topluluğumuza ve katkıda bulunanlara çok teşekkür borçluyuz.

O halde, YOLOv5 v7.0 sürüm notları ile başlayalım!

Link to this sectionÖnemli YOLOv5 Güncellemeleri#

Ağustos 2022'deki son YOLOv5 v6.2 sürümümüzden bu yana YOLOv5'te güncellenenler şunlardır.

• Segmentasyon Modelleri ⭐ YENİ: SOTA YOLOv5-seg COCO ön eğitimli segmentasyon modelleri ilk kez kullanıma sunuldu (#9052 @glenn-jocher, @AyushExel ve @Laughing-q tarafından)
• PaddlePaddle Dışa Aktarma: Herhangi bir YOLOv5 modelini (cls, seg, det) python export.py --include paddle #9459 ile Paddle formatına aktarın (@glenn-jocher tarafından)
• YOLOv5 AutoCache: python train.py --cache ram kullanımı artık mevcut belleği tarayacak ve tahmin edilen veri kümesi RAM kullanımı ile karşılaştıracaktır. Bu, önbelleğe alma riskini azaltır ve eğitimi önemli ölçüde hızlandırabilen veri kümesi önbelleğe alma özelliğinin benimsenmesini artırmaya yardımcı olacaktır. (#10027 @glenn-jocher tarafından)
• Comet Günlüğü ve Görselleştirme Entegrasyonu: Sonsuza kadar ücretsiz olan Comet, YOLOv5 modellerini kaydetmenize, eğitimi sürdürmenize, tahminleri etkileşimli olarak görselleştirmenize ve hata ayıklamanıza olanak tanır. (#9232 @DN6 tarafından)

Link to this sectionYeni Segmentasyon Kontrol Noktaları#

YOLOv5 segmentasyon modellerini COCO üzerinde 300 epoch boyunca A100 GPU'lar kullanarak 640 görüntü boyutunda eğittik. Tüm modelleri CPU hız testleri için ONNX FP32'ye ve GPU hız testleri için TensorRT FP16'ya aktardık. Kolay tekrarlanabilirlik için tüm hız testlerini Google Colab Pro not defterlerinde çalıştırdık.

• Tüm kontrol noktaları, 640 görüntü boyutunda ve tüm varsayılan ayarlarla, lr0=0.01 ve weight_decay=5e-5 olacak şekilde SGD iyileştirici ile 300 epok boyunca eğitilmiştir. Tüm çalıştırmalar Weights & Biases eğitim günlüklerine kaydedilmiştir.
• Doğruluk değerleri COCO veri kümesinde tek model, tek ölçek içindir. python segment/val.py --data coco.yaml --weights yolov5s-seg.pt komutu ile yeniden üretebilirsiniz.
• Hız, Colab Pro A100 High-RAM örneği kullanılarak 100 çıkarım görüntüsü üzerinde ortalama olarak hesaplanmıştır. Değerler sadece çıkarım hızını gösterir (NMS görüntü başına yaklaşık 1ms ekler). python segment/val.py --data coco.yaml --weights yolov5s-seg.pt --batch 1 komutu ile yeniden üretebilirsiniz.
• FP32'de ONNX ve FP16'da TensorRT'ye dışa aktarma export.py ile yapılmıştır. python export.py --weights yolov5s-seg.pt --include engine --device 0 --half komutu ile yeniden üretebilirsiniz.

Link to this sectionYeni Segmentasyon Kullanım Örnekleri#

Link to this sectionEğit#

YOLOv5 segmentasyon eğitimi, --data coco128-seg.yaml bağımsız değişkeni ile COCO128-seg segmentasyon veri kümesinin otomatik indirilmesini ve bash data/scripts/get_coco.sh --train --val --segments ve ardından python train.py --data coco.yaml komutları ile COCO-segments veri kümesinin manuel olarak indirilmesini destekler.

Link to this sectionTek GPU#

python segment/train.py --model yolov5s-seg.pt --data coco128-seg.yaml --epochs 5 --img 640

Link to this sectionÇoklu GPU DDP#

python -m torch.distributed.run --nproc_per_node 4 --master_port 1 segment/train.py --model yolov5s-seg.pt --data coco128-seg.yaml --epochs 5 --img 640 --device 0,1,2,3

Link to this sectionDoğrulama#

YOLOv5m-seg doğruluğunu COCO veri kümesi üzerinde doğrulayın:

bash data/scripts/get_coco.sh --val --segments # COCO val segmentleri ayrımını indir (780MB, 5000 görüntü) python segment/val.py --weights yolov5s-seg.pt --data coco.yaml --img 640 # doğrula

Link to this sectionTahmin#

bus.jpg üzerinde tahmin yapmak için ön eğitimli YOLOv5m-seg kullanın:

python segment/predict.py --weights yolov5m-seg.pt --data data/images/bus.jpg

model = torch.hub.load('ultralytics/yolov5', 'custom', 'yolov5m-seg.pt') # PyTorch Hub'dan yükle (UYARI: çıkarım henüz desteklenmiyor)

Link to this sectionDışa Aktarma#

YOLOv5s-seg modelini ONNX ve TensorRT'ye aktarın:

python export.py --weights yolov5s-seg.pt --include onnx engine --img 640 --device 0

Herhangi bir sorunuz mu var? Ultralytics forumuna sorun, bir sorun oluşturun veya repo üzerinde bir PR gönderin. Ayrıca hızlı başlangıç öğreticileri için YOLOv5 segmentasyon Colab not defterimiz ile başlayabilirsiniz.