介绍 Ultralytics YOLOv5 v7.0 中的实例分割

YOLOv5 v7.0 是我们 AI 架构的最新版本，现已发布，我们非常兴奋地推出全新的实例分割模型！

在开发这一最新版本时，我们始终将两个目标放在首位。第一个是让 AI 变得简单易用的使命，第二个是重新定义“state-of-the-art”真正含义的目标。

因此，凭借显著的改进、修复和升级，我们确实做到了这一点。沿用现有 Ultralytics YOLOv5 目标检测模型同样简单的工作流程，现在使用 YOLOv5 v7.0 训练、验证和部署你的模型比以往更加轻松。此外，我们超越了所有 SOTA 基准，使 YOLOv5 成为全球速度最快且精度最高的模型。

这是我们首次发布分割模型，我们为这一里程碑感到无比自豪。我们要特别感谢敬业的社区成员和贡献者，是他们帮助促成了此次发布。

那么，让我们从 YOLOv5 v7.0 的发布说明开始吧！

Ultralytics YOLOv5 重要更新#

以下是自 2022 年 8 月上次发布 YOLOv5 v6.2 以来 YOLOv5 的更新内容。

• 分割模型 ⭐ 新增：SOTA YOLOv5-seg COCO 预训练分割模型现已首次提供（由 @glenn-jocher、@AyushExel 和 @Laughing-q 提交的 #9052）
• PaddlePaddle 导出：使用 python export.py --include paddle 将任意 YOLOv5 模型（cls、seg、det）导出为 Paddle 格式 #9459，由 @glenn-jocher 提交）
• YOLOv5 AutoCache：现在使用 python train.py --cache ram 会扫描可用内存，并与预测的数据集 RAM 使用量进行比较。这降低了缓存风险，有助于提高数据集缓存功能的采用率，从而显著加快训练速度。（由 @glenn-jocher 提交的 #10027）
• Comet 日志记录和可视化集成：永久免费，Comet 让你能够保存 YOLOv5 模型、恢复训练，并以交互方式可视化和调试预测结果。（由 @DN6 提交的 #9232）

新增分割检查点#

我们使用 A100 GPU，在图像尺寸为 640 的情况下，于 COCO 上训练了 Ultralytics YOLOv5 分割模型，共训练 300 个 epoch。我们将所有模型导出为 ONNX FP32，以进行 CPU 速度测试；并导出为 TensorRT FP16，以进行 GPU 速度测试。我们在 Google Colab Pro 笔记本中完成了所有速度测试，以便轻松复现。

• 所有检查点均使用 SGD 优化器训练 300 个 epoch，lr0=0.01，weight_decay=5e-5，图像尺寸为 640，并采用所有默认设置。所有运行记录都保存在 Weights & Biases 训练日志中。
• 精度值对应于 COCO 数据集上单模型、单尺度的结果。使用 python segment/val.py --data coco.yaml --weights yolov5s-seg.pt 复现。
• 速度是使用 Colab Pro A100 High-RAM 实例对 100 张推理图像取平均得到的。数值仅表示推理速度（NMS 每张图像约增加 1ms）。使用 python segment/val.py --data coco.yaml --weights yolov5s-seg.pt --batch 1 复现。
• 使用 export.py 将模型以 FP32 导出为 ONNX，并以 FP16 导出为 TensorRT。使用 python export.py --weights yolov5s-seg.pt --include engine --device 0 --half 复现。

新增分割使用示例#

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，也支持手动使用 bash data/scripts/get_coco.sh --train --val --segments 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#

在 COCO 数据集上验证 YOLOv5m-seg 的精度：

bash data/scripts/get_coco.sh --val --segments # 下载 COCO val segments 划分（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 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 模型导出为 ONNX 和 TensorRT：

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

有任何问题？请在 Ultralytics 论坛提问、提交 issue，或在代码仓库中提交 PR。你也可以从我们的 YOLOv5 分割 Colab 笔记本开始，快速学习入门教程。