Ultralytics YOLOv5 v7.0'da Örnek Segmentasyonunu Tanıtıyoruz

En yeni AI mimarimizin sürümü olan YOLOv5 v7.0 çıktı ve yeni instance segmentation modellerimizi tanıtmaktan büyük heyecan duyuyoruz!

Bu en son sürüm üzerinde çalışırken iki hedefi ön planda tuttuk. İlki, AI'ı kolaylaştırma misyonumuz; ikincisi ise “state-of-the-art” ifadesinin gerçekte ne anlama geldiğini yeniden tanımlama hedefimizdi.

Böylece önemli iyileştirmeler, düzeltmeler ve yükseltmelerle tam olarak bunu yaptık. Mevcut Ultralytics YOLOv5 nesne algılama modellerimizle aynı basit iş akışlarını koruyarak, YOLOv5 v7.0 ile modellerini eğitmek, doğrulamak ve dağıtmak artık hiç olmadığı kadar kolay. Bununla birlikte, tüm SOTA benchmark'larını aşarak YOLOv5'i dünyanın en hızlı ve en doğru modeli haline getirdik.

Bu, segmentation modellerimizin ilk sürümü olduğundan bu dönüm noktasıyla büyük gurur duyuyoruz. Bu sürümü mümkün kılmaya yardımcı olan özverili topluluğumuza ve katkıda bulunanlara çok şey borçluyuz.

Öyleyse YOLOv5 v7.0 sürüm notları ile başlayalım!

Önemli Ultralytics YOLOv5 Güncellemeleri#

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

• Segmentation Modelleri ⭐ YENİ: SOTA YOLOv5-seg COCO ile önceden eğitilmiş segmentation modelleri artık ilk kez kullanılabilir (#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 aktar (@glenn-jocher tarafından)
• YOLOv5 AutoCache: python train.py --cache ram komutu artık kullanılabilir belleği tarayacak ve tahmin edilen veri kümesi RAM kullanımını bununla karşılaştıracak. Bu, önbelleğe alma riskini azaltır ve eğitimi önemli ölçüde hızlandırabilen veri kümesi önbelleğe alma özelliğinin benimsenmesini artırmaya yardımcı olur. (#10027, @glenn-jocher tarafından)
• Comet Günlük Kaydı ve Görselleştirme Entegrasyonu: Ücretsiz olarak süresiz kullanılabilen Comet, YOLOv5 modellerini kaydetmene, eğitimi sürdürmene ve tahminleri etkileşimli olarak görselleştirip hata ayıklamana olanak tanır. (#9232, @DN6 tarafından)

Yeni Segmentation Checkpoint'leri#

Ultralytics YOLOv5 segmentation modellerini COCO üzerinde, görüntü boyutu 640 olacak şekilde A100 GPU'ları kullanarak 300 epoch boyunca eğittik. CPU hız testleri için tüm modelleri ONNX FP32'ye, GPU hız testleri için TensorRT FP16'ya aktardık. Kolayca yeniden üretilebilmesi için tüm hız testlerini Google Colab Pro notebook'larında gerçekleştirdik.

• Tüm checkpoint'ler, varsayılan ayarlarla, görüntü boyutu 640 olacak şekilde lr0=0.01 ve weight_decay=5e-5 değerlerine sahip SGD optimizer ile 300 epoch boyunca eğitilir. Tüm çalıştırmalar Weights & Biases eğitim günlüklerine kaydedilir.
• Doğruluk değerleri, COCO veri kümesinde tek model ve tek ölçek için geçerlidir. Şu komutla yeniden üretilebilir: python segment/val.py --data coco.yaml --weights yolov5s-seg.pt
• Hız, bir Colab Pro A100 High-RAM örneği kullanılarak 100 inference görüntüsü üzerinden ortalanmıştır. Değerler yalnızca inference hızını gösterir (NMS görüntü başına yaklaşık 1 ms ekler). Şu komutla yeniden üretilebilir: python segment/val.py --data coco.yaml --weights yolov5s-seg.pt --batch 1
• ONNX'e FP32 ve TensorRT'ye FP16 olarak dışa aktarma export.py ile yapılmıştır. Şu komutla yeniden üretilebilir: python export.py --weights yolov5s-seg.pt --include engine --device 0 --half

Yeni Segmentation Kullanım Örnekleri#

Eğit#

Ultralytics YOLOv5 segmentation eğitimi, --data coco128-seg.yaml bağımsız değişkeniyle COCO128-seg segmentation veri kümesini otomatik olarak indirmeyi ve bash data/scripts/get_coco.sh --train --val --segments komutuyla COCO-segments veri kümesini manuel olarak indirip ardından python train.py --data coco.yaml komutunu çalıştırmayı 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

Doğrulama#

YOLOv5m-seg doğruluğunu COCO veri kümesinde doğrula:

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

Tahmin#

bus.jpg üzerinde tahmin yapmak için önceden eğitilmiş YOLOv5m-seg modelini kullan:

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: inference henüz desteklenmiyor)

Dışa aktar#

YOLOv5s-seg modelini ONNX ve TensorRT'ye aktar:

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

Soruların mı var? Ultralytics forumunda sorabilir, depoda issue açabilir veya bir PR gönderebilirsin. Hızlı başlangıç eğitimleri için YOLOv5 segmentation Colab notebook'umuzla da başlayabilirsin.