YOLOv5¶
摘要¶
YOLOv5 是在 COCO 数据集上预训练的一系列对象检测架构和模型，代表了 Ultralytics 对未来视觉 AI 方法的开源研究，融合了数千小时的研究和开发中积累的经验教训和最佳实践。
结果¶
使用图模式在 Ascend 910(8p) 上测试的表现
| Name | Scale | BatchSize | ImageSize | Dataset | Box mAP (%) | Params | Recipe | Download |
|---|---|---|---|---|---|---|---|---|
| YOLOv5 | N | 32 * 8 | 640 | MS COCO 2017 | 27.3 | 1.9M | yaml | weights |
| YOLOv5 | S | 32 * 8 | 640 | MS COCO 2017 | 37.6 | 7.2M | yaml | weights |
| YOLOv5 | M | 32 * 8 | 640 | MS COCO 2017 | 44.9 | 21.2M | yaml | weights |
| YOLOv5 | L | 32 * 8 | 640 | MS COCO 2017 | 48.5 | 46.5M | yaml | weights |
| YOLOv5 | X | 16 * 8 | 640 | MS COCO 2017 | 50.5 | 86.7M | yaml | weights |
在Ascend 910*(8p)上测试的表现
| Name | Scale | BatchSize | ImageSize | Dataset | Box mAP (%) | ms/step | Params | Recipe | Download |
|---|---|---|---|---|---|---|---|---|---|
| YOLOv5 | N | 32 * 8 | 640 | MS COCO 2017 | 27.4 | 736.08 | 1.9M | yaml | weights |
| YOLOv5 | S | 32 * 8 | 640 | MS COCO 2017 | 37.6 | 787.34 | 7.2M | yaml | weights |
说明¶
- Box mAP：验证集上测试出的准确度。
- 我们参考了常用的第三方 YOLOV5 重现了P5（大目标）系列模型，并做出了如下改动：与官方代码有所不同，我们使用了8x NPU(Ascend910)进行训练，单NPU的batch size为32。
快速入门¶
详情请参阅 MindYOLO 中的 快速入门。
训练¶
- 分布式训练¶
使用预置的训练配方可以轻松重现报告的结果。如需在多台Ascend 910设备上进行分布式训练，请运行
# 在多台GPU/Ascend设备上进行分布式训练
msrun --worker_num=8 --local_worker_num=8 --bind_core=True --log_dir=./yolov5_log python train.py --config ./configs/yolov5/yolov5n.yaml --device_target Ascend --is_parallel True
同样的，您可以使用上述msrun命令在多台GPU设备上训练模型。注意: 更多关于msrun配置的信息，请参考这里。
有关所有超参数的详细说明，请参阅config.py。
注意： 由于全局batch size（batch_size x 设备数）是一个重要的超参数，建议保持全局batch size不变进行复制，或者将学习率线性调整为新的全局batch size。
- 单卡训练¶
如果您想在较小的数据集上训练或微调模型而不进行分布式训练，请运行：
# 在 CPU/GPU/Ascend 设备上进行单卡训练
python train.py --config ./configs/yolov5/yolov5n.yaml --device_target Ascend
验证和测试¶
要验证训练模型的准确性，您可以使用 test.py 并使用 --weight 传入权重路径。
python test.py --config ./configs/yolov5/yolov5n.yaml --device_target Ascend --weight /PATH/TO/WEIGHT.ckpt
部署¶
详见 部署。
引用¶
[1] Jocher Glenn. YOLOv5 release v6.1. https://github.com/ultralytics/yolov5/releases/tag/v6.1, 2022.