Giới thiệu Phân đoạn phiên bản trong YOLOv5 v7.0

YOLOv5 Phiên bản v7.0, phiên bản mới nhất của kiến trúc AI của chúng tôi, đã ra mắt và chúng tôi rất vui mừng được giới thiệu các mô hình phân đoạn phiên bản mới của mình!

Trong khi làm việc trên bản phát hành mới nhất này, chúng tôi đã giữ hai mục tiêu ở phía trước và trung tâm. Đầu tiên là sứ mệnh của chúng tôi để làm cho AI trở nên dễ dàng và thứ hai là mục tiêu của chúng tôi để xác định lại "nhà nước-of-the-art" thực sự có nghĩa là gì.

Vì vậy, với những cải tiến, bản sửa lỗi và nâng cấp đáng kể, chúng tôi đã làm được điều đó. Giữ quy trình làm việc đơn giản giống như quy trình làm việc hiện tại của chúng tôi YOLOv5 Các mô hình phát hiện đối tượng, giờ đây việc đào tạo, xác thực và triển khai các mô hình của bạn trở nên dễ dàng hơn bao giờ hết YOLOv5 v7.0. Trên hết, chúng tôi đã vượt qua tất cả các điểm chuẩn SOTA, tạo ra hiệu quả YOLOv5 Nhanh nhất và chính xác nhất trên thế giới.

Vì đây là lần phát hành đầu tiên của chúng tôi về các mô hình phân khúc , chúng tôi vô cùng tự hào về cột mốc quan trọng này. Chúng tôi nợ rất nhiều lời cảm ơn đến cộng đồng tận tâm và những người đóng góp của chúng tôi, những người đã giúp làm cho bản phát hành này trở nên khả thi.  

Vì vậy, hãy bắt đầu với YOLOv5 Ghi chú phát hành v7.0!

Quan trọng YOLOv5 Cập nhật

Dưới đây là những gì đã được cập nhật trong YOLOv5 kể từ lần phát hành cuối cùng của chúng tôi YOLOv5 v6.2 vào tháng 8/2022.

• Mô hình ⭐ phân khúc MỚI: SOTA YOLOv5Các mô hình phân đoạn được đào tạo trước -seg COCO hiện đã có sẵn lần đầu tiên (# 9052 bởi @glenn-jocher, @AyushExel và @Laughing-q)
• PaddlePaddle Xuất: Xuất bất kỳYOLOv5 mô hình (cls, seg, det) sang định dạng Paddle với python export.py - bao gồm mái chèo # 9459 của @glenn-jocher)
• YOLOv5 AutoCache: Sử dụng python train.py - RAM bộ nhớ cache bây giờ sẽ quét bộ nhớ có sẵn và so sánh với việc sử dụng RAM tập dữ liệu dự đoán. Điều này làm giảm rủi ro trong bộ nhớ đệm và sẽ giúp cải thiện việc áp dụng tính năng bộ nhớ đệm tập dữ liệu, có thể tăng tốc đáng kể việc đào tạo. (#10027 bởi @glenn-jocher)
• Comet Tích hợp ghi nhật ký và trực quan hóa: Miễn phí mãi mãi, Comet Cho phép bạn tiết kiệm YOLOv5 mô hình, tiếp tục đào tạo và tương tác trực quan hóa và gỡ lỗi dự đoán. (#9232 bởi @DN6 )

Điểm kiểm tra phân đoạn mới

Chúng tôi đã đào tạo YOLOv5 phân đoạn mô hình trên COCO cho 300 kỷ nguyên ở kích thước hình ảnh 640 sử dụng GPU A100. Chúng tôi đã xuất tất cả các mô hình sang ONNX FP32 cho CPU kiểm tra tốc độ và để TensorRT FP16 cho GPU kiểm tra tốc độ. Chúng tôi đã chạy tất cả các bài kiểm tra tốc độ trên Google Máy tính xách tay Colab Pro cho khả năng tái tạo dễ dàng.

• Tất cả các điểm kiểm tra được đào tạo đến 300 kỷ nguyên với trình tối ưu hóa SGD với lr0 = 0,01 và weight_decay = 5e-5 ở kích thước hình ảnh 640 và tất cả các cài đặt mặc định. Tất cả các lần chạy đều được ghi lại ở đây.
• Giá trị độ chính xác dành cho thang đo đơn mô hình đơn trên tập dữ liệu COCO. Sinh sản bằng python segment/val.py --data coco.yaml --weights yolov5s-seg.pt
• Tốc độ trung bình hơn 100 hình ảnh suy luận bằng cách sử dụng phiên bản RAM cao Colab Pro A100. Giá trị chỉ cho biết tốc độ suy luận (NMS thêm khoảng 1ms cho mỗi hình ảnh). Sinh sản bằng python segment/val.py --data coco.yaml --weights yolov5s-seg.pt --batch 1
• Xuất sang ONNX tại FP32 và TensorRT tại FP16 được thực hiện với export.py. Sinh sản bằng python export.py --trọng lượng yolov5s-seg.pt --bao gồm động cơ --thiết bị 0 --một nửa

Ví dụ sử dụng phân đoạn mới

Xe lửa

YOLOv5 đào tạo phân đoạn hỗ trợ tự động tải xuống tập dữ liệu phân đoạn COCO128-seg với đối số --data coco128-seg.yaml và tải xuống thủ công tập dữ liệu phân đoạn COCO với bash data/scripts/get_coco.sh --train --val --segments và sau đó python train.py --dữ liệu coco.yaml.

Đơn-GPU

python Phân đoạn / Tàu hỏa.py --Mô hình yolov5s-seg.pt --Dữ liệu COCO128-seg.yaml --Kỷ nguyên 5 --IMG 640

Đa-GPU DDP

python -m torch.distributed.run --nproc_per_node 4 --master_port 1 đoạn/tàu.py --mô hình yolov5s-seg.pt --data coco128-seg.yaml --epochs 5 --img 640 --thiết bị 0,1,2,3

Val

Xác thực độ chính xác YOLOv5m-seg trên tập dữ liệu ImageNet-1k:

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

Dự đoán

Sử dụng YOLOv5m-seg được đào tạo trước để dự đoán bus.jpg:

python phân đoạn / dự đoán.py - trọng số yolov5m-seg.pt - dữ liệu dữ liệu / hình ảnh / xe buýt.jpg

mô hình = torch.hub.load('ultralytics/yolov5', 'tùy chỉnh', 'yolov5m-seg.pt') # tải từ PyTorch Hub (CẢNH BÁO: suy luận chưa được hỗ trợ)

Xuất khẩu

Xuất mô hình YOLOv5s-seg sang ONNX và TensorRT:

python export.py --trọng số yolov5s-seg.pt --bao gồm onnx Động cơ --IMG 640 --Thiết bị 0

Có bất kỳ câu hỏi? Hỏi Ultralytics diễn đàn, nêu vấn đề hoặc gửi PR trên repo. Bạn cũng có thể bắt đầu với YOLOv5 phân đoạn sổ ghi chép Colab cho các hướng dẫn bắt đầu nhanh.

‍