Giới thiệu Phân đoạn phiên bản trong Ultralytics YOLOv5 v7.0

YOLOv5 v7.0 , phiên bản mới nhất của kiến trúc AI của chúng tôi, đã ra mắt và chúng tôi rất vui mừng giới thiệu các mô hình phân đoạn phiên bản mới!

Trong khi thực hiện bản phát hành mới nhất này, chúng tôi luôn đặt hai mục tiêu lên hàng đầu. Đầu tiên là sứ mệnh làm cho AI trở nên dễ dàng và thứ hai là mục tiêu xác định lại ý nghĩa thực sự của “trạng thái hiện đại”.

Vì vậy, với những cải tiến, sửa lỗi và nâng cấp đáng kể, chúng tôi đã làm được điều đó. Vẫn giữ nguyên quy trình làm việc đơn giản như hiện tại của chúng tôi YOLOv5 các mô hình phát hiện đối tượng, giờ đây việc đào tạo, xác thực và triển khai các mô hình của bạn dễ dàng hơn bao giờ hết YOLOv5 v7.0. Trên hết, chúng tôi đã vượt qua tất cả các tiêu chuẩn SOTA , thực sự tạo ra YOLOv5 nhanh nhất và chính xác nhất trên thế giới.

Vì đây là bản phát hành đầu tiên của chúng tôi về các mô hình phân đoạn (segmentation), chúng tôi vô cùng tự hào về cột mốc này. Chúng tôi xin gửi lời cảm ơn sâu sắc đến cộng đồng tận tâm và những người đóng góp của chúng tôi, những người đã giúp bản phát hành này trở nên khả thi.  

Vậy thì, chúng ta hãy bắt đầu với YOLOv5 Ghi chú phát hành v7.0!

Quan trọng YOLOv5 Cập nhật

Đây là những gì đã được cập nhật trong YOLOv5 kể từ lần phát hành YOLOv5 v6.2 gần đây nhất vào tháng 8 năm 2022.

• Mô hình phân đoạn ⭐ MỚI : SOTA YOLOv5 -seg COCO -Các mô hình phân đoạn được đào tạo trước hiện đã có sẵn lần đầu tiên ( #9052 của @glenn-jocher, @AyushExel và @Laughing-q)
• PaddlePaddle Export : Xuất bất kỳ YOLOv5 model (cls, seg, det) sang định dạng Paddle với python export.py --include paddle #9459 của @glenn-jocher)
• YOLOv5 AutoCache : Sử dụng python train.py --cache ram giờ đây sẽ quét bộ nhớ khả dụng và so sánh với mức sử dụng RAM dự kiến của tập dữ liệu. Điều này giúp giảm thiểu rủi ro khi lưu trữ đệm và sẽ giúp cải thiện việc áp dụng tính năng lưu trữ đệm tập dữ liệu, có thể tăng tốc đáng kể quá trình đào tạo. ( #10027 của @glenn-jocher)
• Tích hợp ghi nhật ký và trực quan hóa Comet : Miễn phí mãi mãi, Comet cho phép bạn lưu YOLOv5 mô hình, đào tạo lại và trực quan hóa và gỡ lỗi dự đoán một cách tương tác. ( #9232 của @DN6)

Điểm kiểm tra phân đoạn mới

Chúng tôi đã đào tạo YOLOv5 mô hình phân khúc trên COCO trong 300 kỷ nguyên ở kích thước hình ảnh 640 sử dụng GPU A100. Chúng tôi đã xuất tất cả các mô hình sang ONNX FP32 cho CPU kiểm tra tốc độ và TensorRT FP16 cho GPU kiểm tra tốc độ. Chúng tôi đã chạy tất cả các bài kiểm tra tốc độ trên Google Sổ tay Colab Pro giúp dễ dàng sao chép.

• Tất cả các điểm kiểm tra được đào tạo đến 300 kỷ nguyên với SGD Bộ tối ưu hóa với lr0=0.01 và weight_decay=5e-5 ở kích thước ảnh 640 và tất cả các thiết lập mặc định. Tất cả các lần chạy đều được ghi lại tại đây .
• Giá trị độ chính xác dành cho mô hình đơn lẻ trên thang đo đơn lẻ COCO tập dữ liệu. Tái tạo bởi python segment /val.py --dữ liệu coco. yaml --weights yolov5s-seg.pt
• Tốc độ trung bình trên 100 hình ảnh suy luận sử dụng phiên bản Colab Pro A100 High-RAM. Các giá trị chỉ biểu thị tốc độ suy luận ( NMS thêm khoảng 1ms cho mỗi hình ảnh). Tái tạo bằng python segment /val.py --dữ liệu coco. yaml --weights yolov5s-seg.pt --batch 1
• Xuất sang ONNX tại FP32 và TensorRT tại FP16 được thực hiện với export.py. Tái tạo bởi python export.py --weights yolov5s-seg.pt --include engine --device 0 --half

Các ví dụ mới về cách sử dụng Segmentation

Huấn luyện

YOLOv5 đào tạo phân đoạn hỗ trợ tự động tải xuống COCO128 -seg tập dữ liệu phân đoạn với --data coco128-seg. yaml lập luận và tải xuống thủ công COCO -phân đoạn tập dữ liệu với bash data/scripts/get_coco.sh --train --val --segments và sau đó python train.py --data coco. yaml .

Đơn- GPU

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

Đa- 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

Kiểm định

Xác thực độ chính xác của YOLOv5m-seg trên ImageNet -1k tập dữ liệu:

bash data/scripts/get_coco.sh --val --segments # tải xuống COCO phân đoạn val chia nhỏ (780MB, 5000 hình ảnh) python segment /val.py --weights yolov5s-seg.pt --data coco. yaml --img 640 # xác thực

Dự đoán

Sử dụng YOLOv5m-seg đã được huấn luyện trước để dự đoán bus.jpg:

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

mô hình = torch .hub.load(' ultralytics / yolov5 ', 'custom', 'yolov5m-seg.pt') # tải từ PyTorch Hub (CẢNH BÁO: suy luận chưa được hỗ trợ)

Xuất

Xuất mô hình YOLOv5s-seg sang ONNX Và TensorRT :

python export.py --weights yolov5s-seg.pt --include onnx động cơ --img 640 --thiết bị 0

Bạn có thắc mắc gì không? Hãy hỏi diễn đàn Ultralytics , nêu vấn đề hoặc gửi yêu cầu hỗ trợ (PR) trên kho lưu trữ. Bạn cũng có thể bắt đầu với sổ tay Colab phân đoạn YOLOv5 của chúng tôi để được hướng dẫn nhanh.

‍