Ultralytics YOLOv5 v7.0'da Örnek Bölümlemeyi Tanıtıyoruz

Yapay zeka mimarimizin en son sürümü olan YOLOv5 v7.0 çıktı ve yeni örnek bölütleme (instance segmentation) modellerimizi duyurmaktan 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 Ultralytics YOLOv5 nesne algılama modellerimizle aynı basit iş akışlarını koruyarak YOLOv5 v7.0 ile modellerini eğitmek, doğrulamak ve dağıtmak artık her zamankinden daha kolay. Buna ek olarak tüm SOTA benchmarks değerlerini geride bırakarak YOLOv5'i etkili bir şekilde dünyanın en hızlısı ve en doğrusu haline getirdik.

segmentation modellerimizin ilk sürümü olduğu için bu dönüm noktasından son derece gurur duyuyoruz. Bu sürümün gerçekleşmesine yardımcı olan adanmış topluluğumuza ve contributors ekibine çok şey borçluyuz.

Öyleyse YOLOv5 v7.0 release notes ile başlayalım!

Önemli Ultralytics YOLOv5 Güncellemeleri#

Ağustos 2022'deki son YOLOv5 v6.2 sürümümüzden bu yana YOLOv5'te güncellenen şeyler şunlar:

• Segmentation Models ⭐ YENİ: SOTA YOLOv5-seg COCO ön eğitmli bölütleme modelleri ilk kez kullanılabilir durumda (#9052 yazarı @glenn-jocher, @AyushExel ve @Laughing-q)
• PaddlePaddle Dışa Aktarma: python export.py --include paddle #9459 yazarı @glenn-jocher ile herhangi bir YOLOv5 modelini (cls, seg, det) Paddle formatına aktar
• YOLOv5 AutoCache: python train.py --cache ram kullanmak artık kullanılabilir belleği tarayacak ve öngörülen veri kümesi RAM kullanımıyla karşılaştıracaktır. Bu, önbelleğe alma riskini azaltır ve eğitimi önemli ölçüde hızlandırabilen veri kümesi önbelleğe alma özelliğinin benimsenmesini iyileştirmeye yardımcı olmalıdır. (#10027 yazarı @glenn-jocher)
• Comet Günlüğü ve Görselleştirme Entegrasyonu: Sonsuza kadar ücretsiz olan Comet, YOLOv5 modellerini kaydetmene, eğitime kaldığın yerden devam etmene ve tahminleri interaktif olarak görselleştirip hata ayıklamana olanak tanır. (#9232 yazarı @DN6)

Yeni Segmentasyon Kontrol Noktaları#

Ultralytics YOLOv5 segmentasyon modellerini A100 GPU'lar 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. Kolay tekrarlanabilirlik için tüm hız testlerini Google Colab Pro notebook'larında çalıştırdık.

• Tüm kontrol noktaları, 640 görüntü boyutunda ve tüm varsayılan ayarlar altında lr0=0.01 ve weight_decay=5e-5 ile SGD optimizer kullanılarak 300 epoch'a kadar eğitilmiştir. Tüm çalışmalar Weights & Biases training logs olarak kaydedilmektedir.
• 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.

Yeni Segmentasyon Kullanım Örnekleri#

Eğit#

Ultralytics 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 indirilip ardından python train.py --data coco.yaml çalıştırılmasını 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 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

Tahmin#

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)

Dışa Aktarma#

YOLOv5s-seg modelini ONNX ve TensorRT'ye aktarın:

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

Soruların var mı? Ultralytics forum adresine sor, raise an issue oluştur veya depoda submit a PR gönder. Hızlı başlangıç eğitimleri için YOLOv5 segmentation Colab notebook ile de başlayabilirsin.