在 Ultralytics YOLOv5 v7.0 中引入实例分割

YOLOv5 v7.0 是我们 AI 架构的最新版本，现已发布，我们非常高兴地向你介绍全新的实例分割模型！

在开发此最新版本时，我们始终关注两个核心目标。第一个是实现我们让 AI 变得简单的使命，第二个是重新定义“最先进”的真正含义。

因此，凭借重大的改进、修复和升级，我们做到了这一点。YOLOv5 v7.0 延续了我们现有的 Ultralytics YOLOv5 目标检测模型简单的工作流程，现在训练、验证和部署模型比以往任何时候都更加容易。最重要的是，我们超越了所有 SOTA 性能基准，实际上使 YOLOv5 成为世界上速度最快、最准确的模型。

由于这是我们的首个分割模型版本，我们对这一里程碑感到无比自豪。我们要向积极奉献的社区和贡献者们表示诚挚的感谢，是你们帮助实现了这一版本。

那么，让我们从 YOLOv5 v7.0 release notes 开始吧！

重要的 Ultralytics YOLOv5 更新#

以下是自 2022 年 8 月发布 YOLOv5 v6.2 以来 YOLOv5 所做的更新。

• Segmentation Models ⭐ NEW: 经过 COCO 预训练的 SOTA YOLOv5-seg 分割模型首次正式发布 (#9052 作者：@glenn-jocher、@AyushExel 和 @Laughing-q)
• PaddlePaddle Export: 通过 python export.py --include paddle 将任意 YOLOv5 模型（分类、分割、检测）导出为 Paddle 格式 (#9459 作者：@glenn-jocher)
• YOLOv5 AutoCache: 使用 python train.py --cache ram 现在会扫描可用内存并与预测的数据集 RAM 使用量进行比较。这降低了缓存的风险，并有助于提高对数据集缓存功能的采用率，从而显著加快训练速度。(#10027 作者：@glenn-jocher)
• Comet 日志和可视化集成: 永久免费的 Comet 允许你保存 YOLOv5 模型、恢复训练，以及以交互方式可视化和调试预测结果。(#9232 作者：@DN6)

新的分割检查点#

我们在 COCO 上使用 A100 GPU 以 640 的图像尺寸训练了 Ultralytics YOLOv5 分割模型 300 个 epoch。我们将所有模型导出到用于 CPU 速度测试的 ONNX FP32 以及用于 GPU 速度测试的 TensorRT FP16。我们在 Google Colab Pro 笔记本上运行了所有速度测试，以便于复现。

• 所有检查点均使用 SGD 优化器（lr0=0.01 且 weight_decay=5e-5）、图像尺寸 640 以及所有默认设置训练 300 个 epoch。所有运行结果均记录在 Weights & Biases training logs 中。
• 精度值为 COCO 数据集上的单模型单尺度结果。复现方法：python segment/val.py --data coco.yaml --weights yolov5s-seg.pt
• 速度取自使用 Colab Pro A100 大内存实例对 100 张推理图像的平均值。数值仅表示推理速度（NMS 每张图像增加约 1ms）。复现方法：python segment/val.py --data coco.yaml --weights yolov5s-seg.pt --batch 1
• 使用 export.py 导出为 FP32 的 ONNX 和 FP16 的 TensorRT。复现方法：python export.py --weights yolov5s-seg.pt --include engine --device 0 --half

新的分割使用示例#

训练#

Ultralytics YOLOv5 分割训练支持使用 --data coco128-seg.yaml 参数自动下载 COCO128-seg 分割数据集，也支持使用 bash data/scripts/get_coco.sh --train --val --segments 手动下载 COCO-segments 数据集，然后运行 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#

验证 YOLOv5m-seg 在 COCO 数据集上的精度：

bash data/scripts/get_coco.sh --val --segments # 下载 COCO val 分割集（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 对 bus.jpg 进行预测：

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 模型导出为 ONNX 和 TensorRT：

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

有任何疑问吗？请在 Ultralytics forum 上提问、在代码库中提交 issue 或提交 PR。你还可以通过我们的 YOLOv5 segmentation Colab notebook 开始快速上手教程。