前言

前段时间，YOLOv5推出7.0版本，主要更新点是在目标检测的同时引入了实例分割。 目前，YOLOv5团队已经转向了YOLOv8的更新，因此，7.0版本大概率是YOLOv5的最终稳定版。

更新信息

官方公告中给出了YOLOv5-7.0的更新要点：

推出了基于coco-seg的实例分割预训练模型支持Paddle Paddle模型导出自动缓存机制：使用python train.py --cache ram可以自动扫描可用内存，并且为数据集的加载进行分配加入Comet日志记录和可视化集成

实例分割实践

下载代码

git clone https://github.com/ultralytics/yolov5.git -b v7.0

下载预训练模型

官方仓库有不同模型大小的预训练模型，这里以yolov5m-seg为例。 下载链接：https://github.com/ultralytics/yolov5/releases/download/v7.0/yolov5m-seg.pt

下载数据集

这里以教程文档中的coco128-seg.zip数据集为例。 下载链接：https://ultralytics.com/assets/coco128-seg.zip

数据集的文件结构如下：

coco128-seg

images

train2017labels

train2017

数据集标签可视化

coco-seg数据集和coco数据集图片一样，唯一区别是标签不同。

coco-seg的标签示例如下：

45 0.557859 0.143813 0.487078 0.0314583 0.859547 0.00897917 0.985953 0.130333 0.984266 0.184271 0.930344 0.386521 0.80225 0.480896 0.763484 0.485396 0.684266 0.39775 0.670781 0.3955 0.679219 0.310104 0.642141 0.253937 0.561234 0.155063 0.559547 0.137083

50 0.39 0.727063 0.418234 0.649417 0.455297 0.614125 0.476469 0.614125 0.51 0.590583 0.54 0.569417 0.575297 0.562354 0.601766 0.56 0.607062 0.536479 0.614125 0.522354 0.637063 0.501167 0.665297 0.48 0.69 0.477646 0.698828 0.494125 0.698828 0.534125 0.712938 0.529417 0.742938 0.548229 0.760594 0.564708 0.774703 0.550583 0.778234 0.536479 0.781766 0.531771 0.792359 0.541167 0.802937 0.555292 0.802937 0.569417 0.802937 0.576479 0.822359 0.576479 0.822359 0.597646 0.811766 0.607062 0.811766 0.618833 0.818828 0.637646 0.820594 0.656479 0.827641 0.687063 0.827641 0.703521 0.829406 0.727063 0.838234 0.708229 0.852359 0.729417 0.868234 0.750583 0.871766 0.792938 0.877063 0.821167 0.884125 0.861167 0.817062 0.92 0.734125 0.976479 0.711172 0.988229 0.48 0.988229 0.494125 0.967063 0.517062 0.912937 0.508234 0.832937 0.485297 0.788229 0.471172 0.774125 0.395297 0.729417

其中第一个为类别标签，后面的两个为一组，即(x1,y1)，(x2,y2)…意为一个个点，这些点连线即为所框选的实例。

下面的代码[2]实现了将标签进行可视化：

import cv2

import numpy as npif __name__ == '__main__':pic_path = r"coco128-seg\images\train2017\000000000009.jpg"txt_path = r"coco128-seg\labels\train2017\000000000009.txt"img = cv2.imread(pic_path)height, width, _ = img.shapefile_handle = open(txt_path)cnt_info = file_handle.readlines()new_cnt_info = [line_str.replace("\n", "").split(" ") for line_str in cnt_info]# 45 bowl 碗 49 橘子 50 西兰花color_map = {"49": (0, 255, 255), "45": (255, 0, 255), "50": (255, 255, 0)}for new_info in new_cnt_info:s = []for i in range(1, len(new_info), 2):b = [float(tmp) for tmp in new_info[i:i + 2]]s.append([int(b[0] * width), int(b[1] * height)])cv2.polylines(img, [np.array(s, np.int32)], True, color_map.get(new_info[0]))cv2.imshow('img', img)cv2.waitKey()

模型检测

下载好预训练模型，可以直接用其进行检测：

 

模型训练

下面以coco128-seg数据集训练为例，首先修改data/coco128-seg.yaml配置文件，修改相应路径：

path: coco128-seg

train: images/train2017

val: images/train2017

 之后终端运行：

python segment/train.py --img 640 --batch 16 --epochs 300 --data ./data/coco128-seg.yaml --cfg ./models/segment/yolov5s-seg.yaml --weights weights/yolov5s-seg.pt --device 0

注：

–project设定了训练结果的保存路径，按照默认路径runs\train-seg会引发wandb的报错：wandb.errors.UsageError: Invalid project name "runs\train-seg": cannot contain characters "/,\,#,?,%,:", found "\"默认batch-size为16，普通单机有爆显存风险，因此调小。

最终模型依然会保存最佳和最后两个模型，以及一些验证结果图片，和之前版本相似。

参考

[1] YOLOv5官方仓库：https://github.com/ultralytics/yolov5/tree/v7.0 [2] 【深度学习】yolov5 tag7.0 实例分割 从0到1的体会,从模型训练,到量化完成

 

推荐链接

评论可见，请评论后查看内容，谢谢！！！
 您阅读本篇文章共花了：