Ultralytics YOLOv5 v7.0'da Örnek Bölütlemeyi Tanıtıyoruz

Yapay zeka mimarimizin en son sürümü olan YOLOv5 v7.0 çıktı ve yeni örnek bölütleme modellerimizi tanıtmaktan heyecan duyuyoruz!

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

Bu nedenle, önemli iyileştirmeler, düzeltmeler ve yükseltmelerle tam olarak bunu başardık. Mevcut YOLOv5 nesne algılama modellerimizle aynı basit iş akışlarını koruyarak, YOLOv5 v7.0 ile modellerinizi eğitmek, doğrulamak ve dağıtmak artık her zamankinden daha kolay. Buna ek olarak, tüm SOTA kıyaslama testlerini geçerek YOLOv5'i dünyadaki en hızlı ve en doğru model haline getirdik.

Bu, segmentasyon modellerinin ilk sürümü olduğundan, bu kilometre taşıyla son derece gurur duyuyoruz. Bu sürümü mümkün kılmaya yardımcı olan özverili topluluğumuza ve katkıda bulunanlarımıza çok teşekkür ediyoruz.  

O halde, YOLOv5 v7.0 sürüm notlarıyla başlayalım!

Önemli YOLOv5 Güncellemeleri

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

• Segmentasyon Modelleri ⭐ YENİ: SOTA YOLOv5-seg COCO önceden eğitilmiş segmentasyon modelleri artık ilk kez kullanıma sunuldu (#9052 by @glenn-jocher, @AyushExel, ve @Laughing-q)
• PaddlePaddle Dışa Aktarım: Herhangi bir YOLOv5 modelini (cls, seg, det) python export.py --include paddle komutuyla Paddle formatına aktarın #9459 by @glenn-jocher)
• YOLOv5 Otomatik Önbellekleme: python train.py --cache ram kullanımı artık kullanılabilir belleği tarayacak ve tahmini veri kümesi RAM kullanımıyla karşılaştıracaktır. Bu, önbelleğe alma riskini azaltır ve eğitim hızını önemli ölçüde artırabilen veri kümesi önbelleğe alma özelliğinin benimsenmesini iyileştirmeye yardımcı olmalıdır. (#10027 by @glenn-jocher)
• Comet Günlükleme ve Görselleştirme Entegrasyonu: Sonsuza kadar ücretsiz olan Comet, YOLOv5 modellerini kaydetmenize, eğitime devam etmenize ve tahminleri etkileşimli olarak görselleştirip hatalarını ayıklamanıza olanak tanır. (#9232 by @DN6)

Yeni Segmentasyon Kontrol Noktaları

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

• Tüm kontrol noktaları, 640 görüntü boyutunda lr0=0.01 ve weight_decay=5e-5 ile SGD optimize edicisiyle ve tüm varsayılan ayarlarla 300 epoch'a kadar eğitilmiştir. Tüm çalıştırmalar burada günlüğe kaydedilir.
• Doğruluk değerleri, COCO veri kümesindeki tek model, tek ölçek içindir. python segment/val.py --data coco.yaml --weights yolov5s-seg.pt komutuyla yeniden oluşturun
• Hız, bir Colab Pro A100 Yüksek RAM örneği kullanılarak 100 çıkarım görüntüsü üzerinden ortalama alınmıştır. Değerler yalnızca çıkarım hızını gösterir (NMS, görüntü başına yaklaşık 1 ms ekler). python segment/val.py --data coco.yaml --weights yolov5s-seg.pt --batch 1 komutuyla yeniden oluşturun
• FP32'de ONNX'e ve FP16'da TensorRT'ye aktarım export.py ile yapılır. python export.py --weights yolov5s-seg.pt --include engine --device 0 --half komutuyla yeniden oluşturun

Yeni Segmentasyon Kullanım Örnekleri

Eğitim

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

Tek GPU

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

Çoklu 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

Val

ImageNet-1k veri kümesi üzerinde YOLOv5m-seg doğruluğunu doğrulayın:

bash data/scripts/get_coco.sh --val --segments  # COCO val segments bölümünü indirin (780MB, 5000 resim) python segment/val.py --weights yolov5s-seg.pt --data coco.yaml --img 640  # doğrulayın

Tahmin Et

Önceden eğitilmiş YOLOv5m-seg'i bus.jpg'yi tahmin etmek için 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)

Dışa Aktar

YOLOv5s-seg modelini ONNX ve TensorRT'ye aktarın:

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

Sorularınız mı var? Ultralytics forumuna sorun, bir sorun bildirin veya depoda PR gönderin. Ayrıca hızlı başlangıç eğitimleri için YOLOv5 segmentasyon Colab not defterimizle başlayabilirsiniz.

‍