Simplifier les flux de travail de classification avec YOLOv5 v6.2

YOLOv5 pousse l'état de l'art en matière de détection d'objets vers de nouveaux sommets ! De nouveaux modèles de classification, la reproductibilité de l'entraînement, la prise en charge du Metal Performance Shader d'Apple (MPS), aux intégrations avec ClearML et Deci, nous te présentons la nouvelle version YOLOv5 v6.2.

Mises à jour importantes sur YOLOv5

Nous avons travaillé à l'amélioration de ton architecture d'IA préférée YOLO Vision depuis notre dernière version en février 2022. Voici les mises à jour les plus importantes de la dernière version YOLOv5 v6.2 :

• Modèles de classification : YOLOv5-cls Les modèles de classification formés par ImageNet sont maintenant disponibles pour la première fois.
• ClearML l'exploitation forestière : Intégration avec le traqueur d'expériences open-source ClearML. L'installation avec pip install clearml activera l'intégration et permettra aux utilisateurs de suivre chaque entraînement dans ClearML. Cela permet ensuite aux utilisateurs de suivre et de comparer les expériences et même de programmer des expériences à distance.
• GPU Benchmarks d'exportation : Benchmark (mAP et vitesse) tous les formats d'exportation YOLOv5 avec python utils/benchmarks.py --weights yolov5s.pt --device 0 pour les benchmarks GPU ou --device CPU pour les benchmarks CPU .
• Reproductibilité de la formation : L'entraînement uniqueGPU YOLOv5 avec torch>=1.12.0 est maintenant entièrement reproductible, et un nouvel argument --seed peut être utilisé (par défaut seed=0).
• Prise en charge de l'Apple Metal Performance Shader (MPS ) : MPS prise en charge des appareils Apple M1/M2 avec --device mps (la fonctionnalité complète est en attente de torch mises à jour dans pytorch/ pytorch#77764).

Nouveaux modèles de classification

L'objectif principal de cette version est d'introduire des processus de classification simples sur YOLOv5 , tout comme nos modèles de détection d'objets existants. Les nouveaux modèles v6.2 YOLOv5-cls ne sont qu'un début, nous continuerons à les améliorer en même temps que nos modèles de détection existants. Nous serions ravis que tu participes à cet effort !

Cette version intègre 401 RPs de 41 contributeurs depuis notre dernière version en février 2022. Elle ajoute l'entraînement, la validation, la prédiction et l'exportation de la classification (vers les 11 formats), et fournit également les modèles YOLOv5m-cls, ResNet (18, 34, 50, 101) et EfficientNet (b0-b3) pré-entraînés par ImageNet.

Nous avons entraîné les modèles de classification YOLOv5-cls sur ImageNet pendant 90 époques en utilisant une instance 4xA100, et nous avons entraîné les modèles ResNet et EfficientNet en parallèle avec les mêmes paramètres d'entraînement par défaut pour les comparer. Nous avons exporté tous les modèles vers ONNX FP32 pour les tests de vitesse CPU et vers TensorRT FP16 pour les tests de vitesse GPU . Nous avons effectué tous les tests de vitesse sur Google Colab Pro pour faciliter la reproductibilité.  

Quelle est la prochaine étape pour Ultralytics?

Notre prochaine version, v6.3, est prévue pour septembre 2022 et apportera la prise en charge officielle de la segmentation des instances sur YOLOv5, avec une version majeure v7.0 plus tard dans l'année qui mettra à jour les architectures sur les 3 tâches - classification, détection et segmentation.

Visite notre dépôt open-source GitHub YOLOv5 pour rester à jour et en savoir plus sur cette version.