Ultralytics YOLOv5 v7.0 中的实例分割简介

YOLOv5 v7.0，我们 AI 架构的最新版本已经发布，我们很高兴推出我们新的实例分割模型！

在进行最新版本发布时，我们始终将两个目标放在首位。第一个目标是让 AI 变得简单，第二个目标是重新定义“最先进”的真正含义。

因此，通过重大的改进、修复和升级，我们做到了这一点。 与我们现有的 YOLOv5 目标检测模型保持相同简单的流程，现在比以往任何时候都更容易使用 YOLOv5 v7.0 训练、验证和部署您的模型。 最重要的是，我们已经超越了所有 SOTA 基准，有效地使 YOLOv5 成为世界上最快、最准确的模型。

这是我们首次发布分割模型，我们为此里程碑感到无比自豪。我们非常感谢我们敬业的社区和贡献者，他们帮助实现了此次发布。  

那么，让我们开始了解 YOLOv5 v7.0 的发行说明吧！

重要的 YOLOv5 更新

自从我们在 2022 年 8 月发布 YOLOv5 v6.2 以来，YOLOv5 中更新的内容如下。

• 分割模型 ⭐ 新： SOTA YOLOv5-seg COCO 预训练分割模型现在首次可用（#9052 by @glenn-jocher, @AyushExel, and @Laughing-q)
• PaddlePaddle导出：使用python export.py --include paddle将任何YOLOv5模型（cls、seg、det）导出为Paddle格式（#9459 by @glenn-jocher）。
• YOLOv5 AutoCache：使用 python train.py --cache ram 现在将扫描可用内存，并与预测的数据集 RAM 使用情况进行比较。这降低了缓存的风险，并应有助于提高数据集缓存功能的采用率，从而可以显着加快训练速度。( #10027 by @glenn-jocher)
• Comet 日志记录和可视化集成：永久免费，Comet 允许您保存 YOLOv5 模型、恢复训练以及交互式地可视化和调试预测。（#9232 by @DN6）

新的分割检查点

我们使用 A100 GPU 在 COCO 数据集上以 640 的图像尺寸训练了 YOLOv5 分割模型 300 个 epoch。我们将所有模型导出为 ONNX FP32 用于 CPU 速度测试，导出为 TensorRT FP16 用于 GPU 速度测试。我们在 Google Colab Pro 笔记本上运行了所有速度测试，以便于重现。

• 所有检查点均使用 SGD 优化器（lr0=0.01，weight_decay=5e-5）在图像大小为 640 且所有默认设置下训练到 300 个 epoch。所有运行都记录在此处。
• 准确率值是针对COCO数据集上的单模型单尺度。通过 python segment/val.py --data coco.yaml --weights yolov5s-seg.pt 复现。
• 使用 Colab Pro A100 High-RAM 实例，对 100 张推理图像进行平均速度计算。数值仅表示推理速度（NMS 每张图像增加约 1 毫秒）。通过 python segment/val.py --data coco.yaml --weights yolov5s-seg.pt --batch 1 复现。
• 使用 export.py 在 FP32 下导出到 ONNX，在 FP16 下导出到 TensorRT。通过 python export.py --weights yolov5s-seg.pt --include engine --device 0 --half 复现。

新的分割使用示例

训练

YOLOv5 分割训练支持自动下载 COCO128-seg 分割数据集，使用 --data coco128-seg.yaml 参数，以及手动下载 COCO-segments 数据集，使用 bash data\/scripts\/get_coco.sh --train --val --segments，然后使用 python train.py --data coco.yaml。

单 GPU

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

多 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

验证

在 ImageNet-1k 数据集上验证 YOLOv5m-seg 的准确性：

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

预测

使用预训练的 YOLOv5m-seg 模型来预测 bus.jpg：

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

model = torch.hub.load('ultralytics/yolov5', 'custom', 'yolov5m-seg.pt') # 从 PyTorch Hub 加载（警告：尚不支持推理）

导出

将 YOLOv5s-seg 模型导出到 ONNX 和 TensorRT：

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

有任何问题？请访问 Ultralytics 论坛、提出 issue 或在 repo 上提交 PR。您还可以通过我们的 YOLOv5 分割 Colab 笔记本 开始学习快速入门教程。

​