Ultralytics YOLOv5 v7.0'da Örnek Segmentasyonunun Tanıtımı

YOLOv5 Yapay zeka mimarimizin en son sürümü olanv7.0 çıktı ve yeni örnek segmentasyon modellerimizi tanıtmaktan heyecan duyuyoruz!

Bu son sürüm üzerinde çalışırken iki hedefi ön planda ve merkezde tuttuk. Birincisi yapay zekayı kolaylaştırma misyonumuz, ikincisi ise "en son teknolojinin" gerçekte ne anlama geldiğini yeniden tanımlama hedefimizdi.

Önemli iyileştirmeler, düzeltmeler ve yükseltmelerle tam da bunu yaptık. Mevcut YOLOv5 nesne algılama modellerimizle aynı basit iş akışlarını koruyarak, YOLOv5 v7.0 ile modellerinizi eğitmek, doğrulamak ve dağıtmak artık her zamankinden daha kolay. Bunun da ötesinde, tüm SOTA ölçütlerini aşarak YOLOv5 'u dünyadaki en hızlı ve en doğru hale getirdik.

Bu bizim segmentasyon modellerine ilişkin ilk sürümümüz olduğundan, bu kilometre taşından büyük gurur duyuyoruz. Bu sürümü mümkün kılmamıza yardımcı olan özel topluluğumuza ve katkıda bulunanlara çok teşekkür borçluyuz.  

Öyleyse, YOLOv5 v7.0 sürüm notları ile başlayalım!

Önemli YOLOv5 Güncellemeler

Ağustos 2022'deki son YOLOv5 v6 .2 sürümümüzden bu yana YOLOv5 adresinde güncellenenleri burada bulabilirsiniz.

• Segmentasyon Modelleri ⭐ YENİ: SOTA YOLOv5-seg COCO tarafından önceden eğitilmiş segmentasyon modelleri artık ilk kez kullanılabilir(#9052 by @glenn-jocher, @AyushExel, and @Laughing-q)
• PaddlePaddle Dışaaktarma: Herhangi bir YOLOv5 modelini (cls, seg, det) python export.py --include paddle #9459 by @glenn-jocher) ile Paddle formatına aktarın
• YOLOv5 AutoCache: python train.py --cache ram artık kullanılabilir belleği tarayacak ve öngörülen veri kümesi RAM kullanımıyla karşılaştıracaktır. Bu, önbelleğe alma riskini azaltır ve eğitimi önemli ölçüde hızlandırabilen veri kümesi önbelleğe alma özelliğinin benimsenmesini artırmaya yardımcı olmalıdır.(#10027 @glenn-jocher tarafından)
• Comet Günlük ve Görselleştirme Entegrasyonu: Sonsuza kadar ücretsiz, CometYOLOv5 modellerini kaydetmenize, eğitime devam etmenize ve tahminleri etkileşimli olarak görselleştirip hata ayıklamanıza olanak tanır.(#9232 tarafından @DN6)

Yeni Segmentasyon Kontrol Noktaları

A100 GPU'ları kullanarak 640 görüntü boyutunda 300 epoch için COCO üzerinde YOLOv5 segmentasyon modellerini eğittik. Tüm modelleri CPU hız testleri için ONNX FP32'ye ve GPU hız testleri için TensorRT FP16'ya aktardık. Kolay tekrarlanabilirlik için tüm hız testlerini Google Colab Pro dizüstü bilgisayarlarda gerçekleştirdik.

• Tüm kontrol noktaları, 640 görüntü boyutunda ve tüm varsayılan ayarlarda lr0=0.01 ve weight_decay=5e-5 ile SGD optimizer ile 300 epoch'a kadar eğitilmiştir. Tüm çalıştırmalar burada kaydedilmiştir.
• Doğruluk değerleri COCO veri setinde tek model tek ölçek içindir. Şu şekilde yeniden üretin: python segment/val.py --data coco.yaml --weights yolov5s-seg.pt
• Colab Pro A100 High-RAM örneği kullanılarak 100 çıkarım görüntüsü üzerinden ortalama hız. Değerler yalnızca çıkarım hızını gösterir (NMS görüntü başına yaklaşık 1 ms ekler). Şu şekilde yeniden üretin: python segment/val.py --data coco.yaml --weights yolov5s-seg.pt --batch 1
• export.py ile FP32'de ONNX ve FP16'da TensorRT adreslerine aktarın. python export.py --weights yolov5s-seg.pt --include engine --device 0 --half ile çoğaltın

Yeni Segmentasyon Kullanım Örnekleri

Tren

YOLOv5 segmentasyon eğitimi, --data coco128-seg.yaml bağımsız değişkeniyle COCO128-seg segmentasyon veri kümesinin otomatik olarak indirilmesini ve bash data/scripts/get_coco.sh --train --val --segments ve ardından python train.py --data coco.yaml ile COCO-segments veri kümesinin manuel olarak indirilmesini destekler.

Tek-GPU

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

ÇokluGPU 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

YOLOv5m-seg doğruluğunu ImageNet-1k veri kümesi üzerinde doğrulayın:

bash data/scripts/get_coco.sh --val --segments # download COCO val segments split (780MB, 5000 görüntü) python segment/val.py --weights yolov5s-seg.pt --data coco.yaml --img 640 # validate

Tahmin Et

bus.jpg dosyasını tahmin etmek için önceden eğitilmiş YOLOv5m-seg kullanın:

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

model = torch.hub.load('ultralytics/yolov5', 'custom', 'yolov5m-seg.pt') # PyTorch Hub adresinden yükle (UYARI: çıkarım henüz desteklenmiyor)

İhracat

YOLOv5s-seg modelini ONNX ve TensorRT adreslerine aktarın:

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

Herhangi bir sorunuz mu var? Ultralytics forumuna sorun, bir sorun oluşturun veya repoda bir PR gönderin. Hızlı başlangıç eğitimleri için YOLOv5 segmentasyon Colab not defterimizi de kullanabilirsiniz.

‍