Introducing Instance Segmentation in Ultralytics YOLOv5 v7.0

YOLOv5 Lav7.0, l'ultima versione della nostra architettura AI, è uscita e siamo entusiasti di presentare i nostri nuovi modelli di segmentazione delle istanze!

Durante il lavoro su quest'ultima versione, abbiamo mantenuto due obiettivi al centro dell'attenzione. Il primo era la nostra missione di rendere l'IA facile e il secondo era il nostro obiettivo di ridefinire il significato di "all'avanguardia".

Quindi, grazie a miglioramenti, correzioni e aggiornamenti significativi, abbiamo fatto proprio questo. Mantenendo gli stessi semplici flussi di lavoro dei nostri modelli di rilevamento degli oggetti esistenti in YOLOv5 , ora è più facile che mai addestrare, convalidare e distribuire i tuoi modelli con YOLOv5 v7.0. Inoltre, abbiamo superato tutti i benchmark SOTA, rendendo YOLOv5 il più veloce e preciso al mondo.

Trattandosi del nostro primo rilascio di modelli di segmentazione, siamo immensamente orgogliosi di questa pietra miliare. Dobbiamo ringraziare la nostra comunità e i nostri collaboratori che hanno contribuito a rendere possibile questo rilascio.  

Quindi, iniziamo con le note di rilascio di YOLOv5 v7.0!

Aggiornamenti importanti su YOLOv5

Ecco cosa è stato aggiornato in YOLOv5 dall'ultimo rilascio di YOLOv5 v6 .2 nell'agosto 2022.

• Modelli di segmentazione ⭐ NOVITÀ: i modelli di segmentazione preaddestrati da SOTA YOLOv5-seg COCO sono ora disponibili per la prima volta(#9052 da @glenn-jocher, @AyushExel, e @Laughing-q)
• PaddlePaddle Esportazione: Esporta qualsiasi modello YOLOv5 (cls, seg, det) in formato Paddle con python export.py --include paddle #9459 di @glenn-jocher)
• YOLOv5 AutoCache: L'uso di python train.py --cache ram ora analizza la memoria disponibile e la confronta con l'utilizzo previsto della RAM del dataset. Questo riduce i rischi della cache e dovrebbe contribuire a migliorare l'adozione della funzione di cache del dataset, che può accelerare notevolmente la formazione.(#10027 da @glenn-jocher)
• Comet Integrazione di log e visualizzazione: Gratis per sempre, Comet ti permette di salvare i modelli di YOLOv5 , riprendere l'addestramento e visualizzare in modo interattivo le previsioni.(#9232 da @DN6)

Nuovi punti di controllo della segmentazione

Abbiamo addestrato i modelli di segmentazione di YOLOv5 su COCO per 300 epoche con immagini di dimensioni 640 utilizzando le GPU A100. Abbiamo esportato tutti i modelli in ONNX FP32 per i test di velocità di CPU e in TensorRT FP16 per i test di velocità di GPU . Abbiamo eseguito tutti i test di velocità su Google notebookColab Pro per facilitare la riproducibilità.

• Tutti i checkpoint sono stati addestrati per 300 epoche con l'ottimizzatore SGD con lr0=0,01 e weight_decay=5e-5 con dimensioni dell'immagine 640 e tutte le impostazioni predefinite. Tutte le corse sono registrate qui.
• I valori di accuratezza si riferiscono a un modello a scala singola su un set di dati COCO. Riproduci da python segment/val.py --data coco.yaml --weights yolov5s-seg.pt
• Velocità media su 100 immagini di inferenza utilizzando un'istanza Colab Pro A100 High-RAM. I valori indicano solo la velocità di inferenza (NMS aggiunge circa 1ms per immagine). Riproduci da python segment/val.py --data coco.yaml --weights yolov5s-seg.pt --batch 1
• Esportazione in ONNX a FP32 e TensorRT a FP16 effettuata con export.py. Riproduci da python export.py --peso yolov5s-seg.pt --include engine --device 0 --half

Esempi di utilizzo della nuova segmentazione

Treno

YOLOv5 L'addestramento alla segmentazione supporta il download automatico del dataset di segmentazione COCO128-seg con l'argomento --data coco128-seg.yaml e il download manuale del dataset COCO-segments con bash data/scripts/get_coco.sh --train --val --segments e poi python train.py --data coco.yaml.

Singolo...GPU

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

Multi-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

Val

Convalida dell'accuratezza di YOLOv5m-seg sul dataset ImageNet-1k:

bash data/scripts/get_coco.sh --val --segments # scarica i segmenti COCO val suddivisi (780MB, 5000 immagini) python segment/val.py --weights yolov5s-seg.pt --data coco.yaml --img 640 # convalida

Prevedere

Usa YOLOv5m-seg preaddestrato per predire bus.jpg:

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

modello = torch.hub.load('ultralytics/yolov5', 'custom', 'yolov5m-seg.pt') # caricare da PyTorch Hub (ATTENZIONE: inferenza non ancora supportata)

Esportazione

Esporta il modello YOLOv5s-seg in ONNX e TensorRT:

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

Hai delle domande? Chiedi al forum di Ultralytics , solleva un problema o invia un PR sul repo. Puoi anche iniziare con il nostro taccuinoYOLOv5 segmentation Colab, dove troverai delle esercitazioni rapide.

‍