Ultralytics YOLOv5 v7.0'da Örnek Segmentasyonuyla Tanış

Yapay zekâ mimarimizin en yeni sürümü YOLOv5 v7.0 çıktı ve yeni örnek segmentasyonu modellerimizi tanıtmaktan heyecan duyuyoruz! (Bugün başlayacağın yeni projeler için örnek segmentasyonunu da destekleyen Ultralytics YOLO26 modeline göz at.)

Bu en yeni sürüm üzerinde çalışırken iki hedefi ön planda tuttuk. İlki yapay zekâyı kolaylaştırma misyonumuz, ikincisi ise “son teknoloji”nin gerçekte ne anlama geldiğini yeniden tanımlama hedefimizdi.

Önemli iyileştirmeler, düzeltmeler ve yükseltmelerle tam da bunu yaptık. Mevcut Ultralytics YOLOv5 nesne algılama modellerimizdeki basit iş akışlarını koruyarak YOLOv5 v7.0 ile modellerini eğitmek, doğrulamak ve dağıtmak artık her zamankinden kolay. Bunun yanı sıra tüm son teknoloji (SOTA) kıyaslamalarını geride bırakarak YOLOv5-seg'i piyasaya sürüldüğü dönemde gerçek zamanlı örnek segmentasyonu için en hızlı ve en doğru model hâline getirdik.

Bu, segmentasyon modellerimizin ilk sürümü olduğu için 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 notlarıyla başlayalım!

Önemli Ultralytics YOLOv5 Güncellemeleri#

Ağustos 2022'deki YOLOv5 v6.2 sürümümüzden bu yana YOLOv5'te yapılan güncellemeler şunlar.

• Segmentasyon Modelleri ⭐ YENİ: SOTA YOLOv5-seg COCO üzerinde önceden eğitilmiş segmentasyon modelleri ilk kez kullanıma sunuldu (#9052, katkıda bulunanlar: @glenn-jocher, @AyushExel ve @Laughing-q)
• PaddlePaddle dışa aktarımı: python export.py --include paddle ile herhangi bir YOLOv5 modelini (cls, seg, det) Paddle biçimine aktar (#9459, @glenn-jocher tarafından)
• YOLOv5 AutoCache: python train.py --cache ram artık kullanılabilir belleği tarayarak tahmin edilen veri kümesi RAM kullanımıyla karşılaştıracak. Bu, önbelleğe alma riskini azaltır ve eğitimi önemli ölçüde hızlandırabilen veri kümesi önbelleğe alma özelliğinin daha yaygın kullanılmasına yardımcı olur. (#10027, @glenn-jocher tarafından)
• Comet Günlük Kaydı ve Görselleştirme Entegrasyonu: Her zaman ücretsiz olan Comet, YOLOv5 modellerini kaydetmene, eğitime devam etmene ve tahminleri etkileşimli biçimde görselleştirip hata ayıklamana olanak tanır. (#9232, katkıda bulunan: @DN6)

Yeni Segmentasyon Kontrol Noktaları#

Ultralytics YOLOv5 segmentasyon modellerini COCO üzerinde, 640 görüntü boyutuyla ve A100 GPU'larda 300 dönem boyunca eğittik. CPU hız testleri için tüm modelleri ONNX FP32 biçimine, GPU hız testleri için TensorRT FP16 biçimine aktardık. Kolayca tekrarlanabilmeleri için tüm hız testlerini Google Colab Pro not defterlerinde çalıştırdık.

• Tüm kontrol noktaları varsayılan ayarlarla, 640 görüntü boyutunda, lr0=0.01 ve weight_decay=5e-5 değerleriyle SGD optimize edicisi kullanılarak 300 dönem boyunca eğitildi. Tüm çalıştırmalar bu Weights & Biases eğitim günlüklerine kaydedildi.
• Doğruluk değerleri COCO veri kümesinde tek model ve tek ölçek için geçerlidir. python segment/val.py --data coco.yaml --weights yolov5s-seg.pt ile tekrarlanabilir.
• Hız, Colab Pro A100 High-RAM örneğinde 100 çıkarım görüntüsü üzerinden ortalandı. 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 ile tekrarlanabilir.
• ONNX'e FP32, TensorRT'ye FP16 biçiminde dışa aktarma işlemi export.py ile yapıldı. python export.py --weights yolov5s-seg.pt --include engine --device 0 --half ile tekrarlanabilir.

Yeni Segmentasyon Kullanım Örnekleri#

Eğit#

Ultralytics YOLOv5 segmentasyon eğitimi, --data coco128-seg.yaml bağımsız değişkeniyle COCO128-seg segmentasyon veri kümesini otomatik indirmeyi ve bash data/scripts/get_coco.sh --train --val --segments ile COCO-segments veri kümesini indirip ardından python segment/train.py --data coco.yaml kullanarak elle indirmeyi destekler.

Tek GPU#

python segment/train.py --weights 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 --weights yolov5s-seg.pt --data coco128-seg.yaml --epochs 5 --img 640 --device 0,1,2,3

Doğrulama#

YOLOv5s-seg doğruluğunu COCO veri kümesinde doğrula:

bash data/scripts/get_coco.sh --val --segments  # download COCO val segments split (780MB, 5000 images)
python segment/val.py --weights yolov5s-seg.pt --data coco.yaml --img 640  # validate

Tahmin#

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

python segment/predict.py --weights yolov5m-seg.pt --source 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 biçimlerine aktar:

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

Sorun mu yaşıyorsun? Ultralytics forumunda soru sorabilir, depoda sorun bildirebilir veya PR gönderebilirsin. Hızlı başlangıç eğitimleri için YOLOv5 segmentasyon Colab not defterimizi de kullanmaya başlayabilirsin.