Внедрение сегментации экземпляров в Ultralytics YOLOv5 v7.0

YOLOv5 Вышлаv7.0, последняя версия нашей архитектуры искусственного интеллекта, и мы с радостью представляем тебе наши новые модели сегментации экземпляров!

Работая над этой последней версией, мы ставили перед собой две цели. Первая заключалась в том, чтобы сделать ИИ простым, а вторая - в том, чтобы переосмыслить, что же на самом деле означает слово "современный".

Так что, внеся значительные улучшения, исправления и обновления, мы сделали именно это. Сохранив те же простые рабочие процессы, что и в наших существующих моделях обнаружения объектов YOLOv5 , теперь обучать, проверять и внедрять свои модели с помощью YOLOv5 v7.0 проще, чем когда-либо. Кроме того, мы превзошли все контрольные показатели SOTA, сделав YOLOv5 самой быстрой и точной в мире.

Поскольку это наш первый релиз моделей сегментации, мы безмерно гордимся этой вехой. Мы обязаны выразить огромную благодарность нашему преданному сообществу и контрибьюторам, которые помогли сделать этот релиз возможным.  

Итак, давай начнем знакомиться с заметками о релизе YOLOv5 v7.0!

Важные обновления YOLOv5

Вот что было обновлено в YOLOv5 с момента нашего последнего выпуска YOLOv5 v6 .2 в августе 2022 года.

• Модели сегментации ⭐ НОВИНКА: Впервые стали доступны модели сегментации SOTA YOLOv5-seg COCO-pretrained(#9052 by @glenn-jocher, @AyushExel, and @Laughing-q).
• PaddlePaddle Экспорт: Экспортируй любую модель YOLOv5 (cls, seg, det) в формат Paddle с помощью python export.py --include paddle #9459 by @glenn-jocher).
• YOLOv5 Автокэш: Используй python train.py --cache ram теперь будет проверять доступную память и сравнивать с прогнозируемым использованием оперативной памяти набора данных. Это снижает риск при кэшировании и должно помочь улучшить принятие функции кэширования наборов данных, которая может значительно ускорить обучение.(#10027 by @glenn-jocher)
• Comet Интеграция логирования и визуализации: Бесплатно навсегда, Comet позволяет сохранять модели YOLOv5 , возобновлять обучение, а также интерактивно визуализировать и отлаживать прогнозы.(#9232 by @DN6)

Новые контрольные точки сегментации

Мы обучили YOLOv5 модели сегментации на COCO в течение 300 эпох при размере изображения 640, используя графические процессоры A100. Мы экспортировали все модели в ONNX FP32 для тестов скорости CPU и в TensorRT FP16 для тестов скорости GPU . Все тесты на скорость мы проводили на ноутбуках Google Colab Pro для удобства воспроизведения.

• Все контрольные точки обучены на 300 эпох с оптимизатором SGD с lr0=0.01 и weight_decay=5e-5 при размере изображения 640 и всех настройках по умолчанию. Все прогоны записаны здесь.
• Значения точности приведены для одномодельного одномасштабного набора данных COCO. Воспроизвести по адресу python segment/val.py --data coco.yaml --weights yolov5s-seg.pt
• Скорость усреднена по 100 изображениям для выводов с использованием экземпляра Colab Pro A100 High-RAM. Значения указывают только на скорость вывода (NMS добавляет около 1 мс на изображение). Воспроизвести: python segment/val.py --data coco.yaml --weights yolov5s-seg.pt --batch 1
• Экспорт на ONNX при FP32 и TensorRT при FP16 выполнен с помощью export.py. Воспроизвести можно с помощью python export.py --weights yolov5s-seg.pt --include engine --device 0 --half

Примеры использования новой сегментации

Поезд

YOLOv5 Обучение сегментации поддерживает автозагрузку набора данных сегментации COCO128-seg с аргументом --data coco128-seg.yaml и ручную загрузку набора данных COCO-segments с помощью bash data/scripts/get_coco.sh --train --val --segments и затем python train.py --data coco.yaml.

Сингл -GPU

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

МультиGPU 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

Вэл

Проверь точность YOLOv5m-seg на наборе данных ImageNet-1k:

bash data/scripts/get_coco.sh --val --segments # скачать сплит сегментов COCO val (780 МБ, 5000 изображений) python segment/val.py --weights yolov5s-seg.pt --data coco.yaml --img 640 # валидация

Предсказывай

Используй предварительно обученный YOLOv5m-seg для предсказания bus.jpg:

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

model = torch.hub.load('ultralytics/yolov5', 'custom', 'yolov5m-seg.pt') # load from PyTorch Hub (WARNING: inference not yet supported)

Экспорт

Экспортируй модель YOLOv5s-seg на ONNX и TensorRT:

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

Есть вопросы? Спроси на форумеUltralytics , подними вопрос или отправь PR на репо. Ты также можешь начать работу с нашего колабораторного блокнотаYOLOv5 по сегментации, где собраны обучающие материалы для быстрого старта.

‍