YOLOv5 它来了!基于 PyTorch,体积比 YOLOv4 小 90%,速度却超 2 倍!
贾浩楠 发自 凹非寺
量子位 报道 | 公众号 QbitAI
YOLOv4还没有退热,YOLOv5已经发布!
6月9日,Ultralytics公司开源了YOLOv5,离上一次YOLOv4发布不到50天。而且这一次的YOLOv5是完全基于PyTorch实现的!
在我们还对YOLOv4的各种骚操作、丰富的实验对比惊叹不已时,YOLOv5又带来了更强实时目标检测技术。
按照官方给出的数目,现版本的YOLOv5每个图像的推理时间最快0.007秒,即每秒140帧(FPS),但YOLOv5的权重文件大小只有YOLOv4的1/9。
接下来一起了解一下最新的YOLOv5吧。
更快更小巧的YOLOv5
老规矩,先来介绍一下安装过程。
安装YOLOv5通过下方代码实现:
$ pip install -U -r requirements.txt
要求Python3.7以上版本,PyTorch1.5以上。
YOLOv5的4组不同权重在COCO2017数据集上的结果如下:
所有模型均采用默认配置与超参数训练了300epoch,且未添加自动扩增技术。
可以看到,它超过了大部分的目标检测器,同时具有超快的速度。
APtest指的是COCO-test-dev2017上的结果,其他AP表示val2017的精度。所有指标均为单模型、单尺度、为进行任何集成与TTA。可以通过如下命令进行重现上述指标:
python test.py —img-size 736 —conf_thres 0.001
延迟是在V100 GPU上对5000个COCO-val2017中的数据进行测试的结果,包含数据预处理、模型推理、后处理以及NMS。平均NMS的时间为1.6ms/image。
上述指标可以通过如下命令复现:
python test.py —img-size 640 —conf_thres 0.1 —batch-size 16
YOLOv5在单一V-100 GPU的情况下,COCO 2017数据集上的训练时间分别为:
YOLOv5 s |
YOLOv5 m |
YOLOv5 l |
YOLOv5 x |
2天 |
4天 |
6天 |
8天 |
可以通过以下代码开始训练:
$ python train.py —data coco.yaml —cfg YOLOv5s.yaml —weights ‘’ —batch-size 16
△不同权重YOLOv5的对比
YOLOv5在中国国内街景监控上的实测,包含了YOLOv5 s/m/l/x四种不同权重:
△测试视频来自B站@才疏学浅的小白
用户的测试实例并没有给出与前代YOLOv4的对比,但官方给出了数据说明。
YOLOv5速度比前代更快,在运行Tesla P100的YOLOv5 Colab笔记本中,每个图像的推理时间快至0.007秒,意味着每秒140帧(FPS)!相比之下,YOLOv4在转换为相同的Ultralytics PyTorch后达到了50帧 。
同时,在研究者对血细胞计数和检测(BCCD)数据集的测试中,经过100个epoch的训练,获得了大约0.895的平均精度(mAP),与EfficientDet和YOLOv4相当。
YOLOv5体积小,YOLOv5 s的权重文件为27MB。YOLOv4(Darknet架构)的权重文件为244MB。YOLOv5比YOLOv4小近90%。这意味着YOLOv5可以更轻松地部署到嵌入式设备。
此外,因为YOLOv5是在PyTorch中实现的,所以它受益于已建立的PyTorch生态系统;YOLOv5还可以轻松地编译为ONNX和CoreML,因此这也使得部署到移动设备的过程更加简单。
大神没交棒,但YOLOv5还是来了
严格来讲,这次Ultralytics放出的YOLOv5,是YOLOv4的一个实现版本(性能有改进),只不过是完全用Pyotorch实现了。并且支持转ONNX以及CoreML等,方便用户在移动端部署。
所以也有网友叫它YOLOv4.5。
截止发稿,原YOLO项目官方(Darknet)也没有添加YOLOv5链接,所以,这个「YOLOv5」的名号,是Ultralytics团队自封的。
Ultralytics公司可能大家不熟悉,但提到他们公司的一个项目,很多人应该就知道了:基于PyTorch复现的YOLOv3。按目前github上star数来看,应该是最受欢迎的YOLOv3的PyTorch实现版本。
值得一提的是,Ultralytics公司的Glenn Jocher是mosaic数据增强方法的创建者,这种方法是改进后的YOLOv4中的重要技术。
Glenn Jocher就是这次YOLOv5项目的主要开发者。
尽管官方还没认可项目命名为”YOLOv5”这个名字,但它对上一版本性能的改善和提升十分显著,网友也对其开源的精神纷纷点赞,希望项目继续更新,造福更多的YOLO用户。
传送门
https://github.com/ultralytics/YOLOv5
作者系网易新闻·网易号“各有态度”签约作者
最新 AI 干货,我在看
YOLOv5 它来了!基于 PyTorch,体积比 YOLOv4 小 90%,速度却超 2 倍!相关推荐
- 基于pytorch下用LSTM做股票预测——超详细
理论 LSTM理论详解 代码 请转到链接:文章详情 另外,欢迎大家打赏!
- PyTorch版YOLOv4更新了,不仅适用于自定义数据集,还集成了注意力和MobileNet
机器之心报道 作者:陈萍 距离 YOLO v4 的推出,已经过去 5 个多月.YOLO 框架采用 C 语言作为底层代码,这对于惯用 Python 的研究者来说,实在是有点不友好.因此网上出现了很多基于 ...
- 惊!YOLOv5重磅来袭!还是基于Pytorch实现?
关注上方"深度学习技术前沿",选择"星标公众号", 技术干货,第一时间送达! [导读]继4月24日YOLOv4重磅来袭之后,YOLOv4中一大波tricks还没 ...
- 基于 PyTorch实现YOLOv5
目录 The First Article 前言 实现环境 基本流程 数据准备 建立模型 训练模型 模型评估 图片预测 视频预测 The First Article 前言 本文记录基于PyTorch实现 ...
- YOLOv5是真的吗?并不比YOLOv4强,不配这个名字
选自Medium 作者:Ritesh Kanjee 机器之心编译 参与:Panda.蛋酱 授权转载自公众号机器之心 YOLOv4 发布不到 2 个月,一个名叫 YOLOv5 的目标检测框架横空出世,但 ...
- 睿智的目标检测30——Pytorch搭建YoloV4目标检测平台
睿智的目标检测30--Pytorch搭建YoloV4目标检测平台 学习前言 什么是YOLOV4 代码下载 YOLOV4改进的部分(不完全) YOLOV4结构解析 1.主干特征提取网络Backbone ...
- 基于pytorch量化感知训练(mnist分类)--浮点训练vs多bit后量化vs多bit量化感知训练效果对比
基于pytorch量化感知训练–浮点训练vs多bit后量化vs多bit量化感知训练效果对比 代码下载地址:下载地址 灰色线是量化训练,橙色线是后训练量化,可以看到,在 bit = 2.3 的时候,量化 ...
- 基于pytorch后量化(mnist分类)---浮点训练vs多bit后量化vs多bit量化感知训练效果对比
基于pytorch后量化(mnist分类)-浮点训练vs多bit后量化vs多bit量化感知训练效果对比 代码下载地址:下载地址 试了 bit 数为 1-8 的准确率,得到下面这张折线图: 发现,当 b ...
- 基于pytorch的模型稀疏训练与模型剪枝示例
基于pytorch的模型稀疏训练与模型剪枝示例 稀疏训练+模型剪枝代码下载地址:下载地址 CIFAR10-VGG16BN Baseline Trained with Sparsity (1e-4) P ...
最新文章
- 第八周项目三-指向学生类的指针
- python3 requests content和text 区别
- jQuery 参考手册 - 事件
- java jndi 例子_MEJB附录B,jndi例子无法运行的问题
- 如何修改Series和DataFrame类型中的元素值_Redis的HSCAN命令中COUNT参数的失效场景
- 【Python面试】 列举Python中的标准异常类?
- shell实现从1加到100
- 验证子串(信息学奥赛一本通-T1140)
- CentOS 6.5上安装Zabbix 2.4.8
- python文件名带日期变量,获取日期并将其另存为文件名python
- matlabapp窗口图像_如何在一个matlab窗口上合并两个图像?
- 性能测试系列:高可用测试linux常用命令
- JAVA大数据-Week4-DAY6-JDBC
- @Transactional注解失效场景之——同类中方法调用,事务失效
- 【Pyecharts50例】GEO航线图/lines
- 程序员眼中的中国传统文化-王阳明《传习录》17
- 计算机课搞事情检讨,考试作弊被抓写的检讨书(精选10篇)
- Python智能机械助理
- Winfrom窗体应用程序图标的改变
- C# winform 检测网络是否畅通 检测
热门文章
- 【ACM】杭电OJ 2034
- Meta 被爆暂停 AR/VR 操作系统项目,元宇宙能否推进?
- 太任性!17 岁少年买不到回国机票,因“泄愤”攻击航司系统,被判刑 4 年
- 通俗易懂:8大步骤图解注意力机制
- 计算机解决问题没有奇技淫巧,但动态规划还是有点套路
- 如何一夜暴富?这里有一份比特币价格预测指南
- 何恺明团队推出Mask^X R-CNN,将实例分割扩展到3000类
- Spring Boot + Security + MyBatis + Thymeleaf + Activiti 快速开发平台项目
- 为什么 CPU 访问硬盘很慢
- 从面试角度分析CopyOnWriteArrayList源码