Обучение YOLOv5 на пользовательских данных

📚 В этом руководстве рассказывается о том, как обучить собственный набор данных с помощью YOLOv5 модели YOLOv5 🚀. Обучение пользовательских моделей является фундаментальным шагом в адаптации решений компьютерного зрения к конкретным реальным задачам, выходящим за рамки общего обнаружения объектов.

Прежде чем начать

Сначала убедитесь, что у вас настроено необходимое окружение. Клонируйте репозиторий YOLOv5 и установите необходимые зависимости из requirements.txt. A Python.8.0 окружение с PyTorch.8 необходимо. Модели и наборы данных автоматически загружаются из последней версии YOLOv5 выпуск если они не найдены локально.

git clone https://github.com/ultralytics/yolov5 # Clone the repository
cd yolov5
pip install -r requirements.txt # Install dependencies

Обучение на пользовательских данных

Разработка пользовательской модели обнаружения объектов - это итеративный процесс:

1. Собирайте и упорядочивайте изображения: Соберите изображения, относящиеся к конкретной задаче. Очень важно получить высококачественные и разнообразные данные. См. наше руководство по сбору данных и аннотированию.
2. Пометить объекты: Точно обозначьте интересующие вас объекты на изображениях.
3. Обучите модель: Используйте помеченные данные для обучения модели YOLOv5 . Используйте возможности трансферного обучения, начав с предварительно обученных весов.
4. Развертывание и прогнозирование: Используйте обученную модель для выводов на новых, неизвестных данных.
5. Соберите крайние случаи: Определите сценарии, в которых модель работает плохо(крайние случаи), и добавьте аналогичные данные в свой набор данных, чтобы повысить надежность. Повторите цикл.

Ultralytics HUB предлагает оптимизированное решение без кода для всего цикла операций машинного обучения (MLOps), включая управление набором данных, обучение моделей и развертывание.

Прежде чем приступить к обучению, необходимо подготовить набор данных.

1. Создайте набор данных

Для изучения визуальных характеристик классов объектов моделям YOLOv5 требуются маркированные данные. Правильная организация набора данных - ключевой момент.

1.1 Создать dataset.yaml

Файл конфигурации набора данных (например, coco128.yaml) описывает структуру набора данных, имена классов и пути к каталогам с изображениями. COCO128 служит небольшим набором данных, включающим первые 128 изображений из обширного набора. COCO набор данных. Это полезно для быстрого тестирования обучающего конвейера и диагностики потенциальных проблем, таких как оверфиттинг.

Сайт dataset.yaml Структура файла включает:

• path: Корневой каталог, содержащий набор данных.
• train, val, test: Относительные пути из path к каталогам с изображениями или текстовым файлам, в которых указаны пути к изображениям для обучающего, проверочного и тестового наборов.
• names: Словарь, отображающий индексы классов (начиная с 0) на соответствующие им имена классов.

Ниже приведена структура для coco128.yaml (вид на GitHub):

# Dataset root directory relative to the yolov5 directory
path: ../datasets/coco128

# Train/val/test sets: specify directories, *.txt files, or lists
train: images/train2017 # 128 images for training
val: images/train2017 # 128 images for validation
test: # Optional path to test images

# Classes (example using 80 COCO classes)
names:
    0: person
    1: bicycle
    2: car
    # ... (remaining COCO classes)
    77: teddy bear
    78: hair drier
    79: toothbrush

1.2 Использование моделей для автоматической маркировки

Хотя ручная маркировка с помощью инструментов является распространенным подходом, этот процесс может занимать много времени. Последние достижения в области фундаментных моделей открывают возможности для автоматизации или полуавтоматизации процесса аннотирования, что может значительно ускорить создание наборов данных. Вот несколько примеров моделей, которые могут помочь в создании меток:

• БлизнецыGoogle : Большие мультимодальные модели, такие как Gemini, обладают мощными возможностями понимания изображений. Их можно попросить идентифицировать и найти объекты на изображениях, создавая ограничительные рамки или описания, которые можно преобразовать в метки формата YOLO . Изучите его потенциал в прилагаемом учебном блокноте.
• SAM2 (Segment Anything Model 2): Фундаментальные модели, ориентированные на сегментацию, такие как SAM2, позволяют идентифицировать и очерчивать объекты с высокой точностью. Хотя в первую очередь они предназначены для сегментации, полученные маски часто могут быть преобразованы в аннотации ограничительных рамок, подходящие для задач обнаружения объектов.
• YOLOWorld: Эта модель предлагает возможности обнаружения объектов с открытым словарем. Вы можете предоставить текстовые описания интересующих вас объектов, и YOLOWorld сможет найти их на изображениях без предварительного обучения этим конкретным классам. Это может быть использовано в качестве отправной точки для создания начальных меток, которые затем можно уточнить.

Использование таких моделей позволяет выполнить этап "предварительной маркировки", сократив ручную работу. Однако очень важно просматривать и уточнять автоматически сгенерированные метки, чтобы обеспечить точность и согласованность, поскольку их качество напрямую влияет на производительность обученной модели YOLOv5 . После создания (и возможного уточнения) меток убедитесь, что они соответствуют YOLO формат: один *.txt файл для каждого изображения, каждая строка которого представляет объект как class_index x_center y_center width height (нормализованные координаты, класс с нулевой индексацией). Если на изображении нет объектов, представляющих интерес, нет и соответствующего *.txt необходим файл.

Формат YOLO *.txt точные спецификации файлов:

• Одна строка для каждой границы объекта.
• Каждый ряд должен содержать: class_index x_center y_center width height.
• Координаты должны быть нормализованный в диапазоне от 0 до 1. Чтобы добиться этого, разделите значения пикселей на x_center и width на общую ширину изображения и разделите y_center и height на общую высоту изображения.
• Индексы классов индексируются нулями (т.е. первый класс представлен 0, второй - по 1, и так далее).

Файл меток, соответствующий изображению выше, содержащий два объекта 'person' (индекс класса 0) и один объект "галстук" (индекс класса 27), будет выглядеть следующим образом:

1.3 Организация каталогов

Структурируйте свой наборы данных как показано ниже. По умолчанию YOLOv5 предполагает, что каталог набора данных (например, /coco128) для проживания в пределах /datasets папка, расположенная прилегающий к сайт /yolov5 каталог репозитория.

YOLOv5 автоматически находит метки для каждого изображения, подставляя последний экземпляр /images/ в пути к изображению с /labels/. Например:

../datasets/coco128/images/im0.jpg # Path to the image file
../datasets/coco128/labels/im0.txt # Path to the corresponding label file

Рекомендуемая структура каталогов такова:

/datasets/
└── coco128/  # Dataset root
    ├── images/
    │   ├── train2017/  # Training images
    │   │   ├── 000000000009.jpg
    │   │   └── ...
    │   └── val2017/    # Validation images (optional if using same set for train/val)
    │       └── ...
    └── labels/
        ├── train2017/  # Training labels
        │   ├── 000000000009.txt
        │   └── ...
        └── val2017/    # Validation labels (optional if using same set for train/val)
            └── ...

2. Выберите модель

Выберите предварительно обученную модель, чтобы начать процесс обучения. Начало обучения с предварительно обученными весами значительно ускоряет процесс обучения и повышает производительность по сравнению с обучением с нуля. YOLOv5 предлагает модели разных размеров, в каждой из которых по-разному сочетаются скорость и точность. Например, YOLOv5s - это вторая по размеру и самая быстрая модель, подходящая для сред с ограниченными ресурсами. Подробное сравнение всех доступных моделей можно найти в таблице README.

3. Поезд

Начните обучение модели используя train.py сценарий. Основные аргументы включают:

• --img: Определяет вход размер изображения (например, --img 640). Большие размеры обычно дают лучшую точность, но требуют больше памяти GPU .
• --batch: Определяет размер партии (например, --batch 16). Выберите самый большой размер, с которым может справиться ваш GPU .
• --epochs: Указывает общее количество тренировок эпохи (например, --epochs 100). Одна эпоха представляет собой полный проход по всему обучающему набору данных.
• --data: Путь к себе dataset.yaml файл (например, --data coco128.yaml).
• --weights: Путь к файлу с начальными весами. Использование предварительно обученных весов (например, --weights yolov5s.pt) настоятельно рекомендуется для ускорения сходимости и получения более высоких результатов. Для обучения с нуля (не рекомендуется, если у вас не очень большой набор данных и нет особых потребностей) используйте --weights '' --cfg yolov5s.yaml.

Предварительно обученные веса автоматически загружаются из последней версии YOLOv5 , если не найдены локально.

# Example: Train YOLOv5s on the COCO128 dataset for 3 epochs
python train.py --img 640 --batch 16 --epochs 3 --data coco128.yaml --weights yolov5s.pt

Все результаты обучения, включая веса и журналы, сохраняются в файле runs/train/ каталог. Каждый сеанс обучения создает новый подкаталог (например, runs/train/exp, runs/train/exp2, и т.д.). Чтобы получить интерактивный практический опыт, изучите раздел обучения в наших официальных учебных тетрадях:

4. Визуализируйте

YOLOv5 легко интегрируется с различными инструментами для визуализации тренировочного прогресса, оценки результатов и мониторинга эффективности в режиме реального времени.

Comet Ведение журнала и визуализация 🌟 НОВИНКА

Comet полностью интегрирован для всестороннего отслеживания экспериментов. Визуализируйте метрики в реальном времени, сохраняйте гиперпараметры, управляйте наборами данных и контрольными точками модели, а также анализируйте предсказания модели с помощью интерактивных пользовательских панелейComet .

Приступить к работе очень просто:

pip install comet_ml                                                          # 1. Install Comet library
export COMET_API_KEY=YOUR_API_KEY_HERE                                        # 2. Set your Comet API key (create a free account at Comet.ml)
python train.py --img 640 --epochs 3 --data coco128.yaml --weights yolov5s.pt # 3. Train your model - Comet automatically logs everything!

Углубляйтесь в поддерживаемые функции в нашем Руководство по интеграции Comet. Подробнее о возможностях Comet можно узнать из их официального сайта документация. Попробуйте использовать блокнот Comet Colab Notebook для демонстрации в реальном времени:

ClearML Ведение журнала и автоматизация 🌟 НОВИНКА

ClearML Интеграция ClearML позволяет детально отслеживать эксперименты, управлять версиями наборов данных и даже удаленно выполнять тренировочные прогоны. Активируйте ClearML с помощью этих простых шагов:

• Установите пакет: pip install clearml
• Инициализируйте ClearML: Запустить clearml-init один раз, чтобы подключиться к вашему серверу ClearML (либо самостоятельному, либо на сервере бесплатный уровень).

ClearML автоматически фиксирует детали эксперимента, загрузку моделей, сравнения, незафиксированные изменения кода и установленные пакеты, обеспечивая полную воспроизводимость. Вы можете легко планировать задачи обучения на удаленных агентах и управлять версиями наборов данных с помощью ClearML Data. Для получения подробной информации изучите руководство по интеграцииClearML .

Локальное протоколирование

Результаты тренировок автоматически регистрируются с помощью TensorBoard и сохраняется как CSV файлы в конкретной директории эксперимента (например, runs/train/exp). Зарегистрированные данные включают:

• Потери при обучении и проверке, а также показатели производительности.
• Образцы изображений, демонстрирующих примененные дополнения (например, мозаики).
• Метки истины и предсказания модели для визуального контроля.
• Ключевые метрики оценки, такие как кривые Precision-Recall (PR).
• Матрицы запутывания для детального анализа производительности в зависимости от класса.

Сайт results.csv Файл обновляется после каждой эпохи и отображается в виде графика results.png после завершения обучения. Вы также можете построить график любого results.csv файл вручную с помощью предусмотренной функции утилиты:

from utils.plots import plot_results

# Plot results from a specific training run directory
plot_results("runs/train/exp/results.csv")  # This will generate 'results.png' in the same directory

5. Следующие шаги

После успешного завершения обучения контрольная точка для модели с наилучшими показателями (best.pt) сохранен и готов к развертыванию или дальнейшей доработке. Возможные следующие шаги включают:

• Запустите вывод на новых изображениях или видео с использованием обученной модели с помощью CLI или Python.
• Проведите валидацию, чтобы оценить точность модели и ее обобщающие способности на различных фрагментах данных (например, на тестовом наборе).
• Экспортируйте модель в различные форматы развертывания, например ONNX, TensorFlow SavedModelили TensorRT для оптимизированных выводов на различных платформах.
• Используйте методы настройки гиперпараметров, чтобы потенциально получить дополнительный прирост производительности.
• Продолжайте совершенствовать свою модель, следуя нашим советам для достижения наилучших результатов обучения и итеративно добавляя более разнообразные и сложные данные на основе анализа эффективности.

Поддерживаемые среды

Ultralytics предоставляет готовые к использованию среды, оснащенные такими необходимыми зависимостями, как CUDAи cuDNN, Pythonи PyTorchчто способствует плавному старту.

• Бесплатные блокноты GPU:
  • 
  • 
  • 
• Облачные платформы:
  • Google Облако: Руководство по быстрому запуску GCP
  • Amazon AWS: Руководство по быстрому запуску AWS
  • Microsoft Azure: Руководство по быстрому запуску AzureML
• Локальная настройка:
  • Docker: Руководство по быстрому запуску Docker

Статус проекта

Этот значок означает, что все тесты непрерывной интеграции (CI) YOLOv5 GitHub Actions успешно пройдены. Эти строгие CI-тесты охватывают основные функциональные возможности, включая обучение, проверку, вывод, экспорт и контрольные показатели, в операционных системах macOS, Windows и Ubuntu. Тесты выполняются автоматически каждые 24 часа и при каждом коммите кода, обеспечивая стабильность и оптимальную производительность.

ЧАСТО ЗАДАВАЕМЫЕ ВОПРОСЫ

Часто задаваемые вопросы

Как обучить YOLOv5 на пользовательском наборе данных?

Обучение YOLOv5 на пользовательском наборе данных включает в себя несколько ключевых этапов:

1. Подготовьте набор данных: Собирайте изображения и аннотируйте их. Убедитесь, что аннотации соответствуют требованиям YOLO формат. Организуйте изображения и метки в train/ и val/ (и по желанию test/) каталогов. Рассмотрите возможность использования таких моделей, как Близнецы Google, SAM2, или YOLOWorld для помощи или автоматизации процесса маркировки (см. раздел 1.2).
2. Настройте окружение: Клонируйте репозиторий YOLOv5 и установите зависимости, используя pip install -r requirements.txt.

   git clone https://github.com/ultralytics/yolov5
   cd yolov5
   pip install -r requirements.txt
   

3. Создание конфигурации набора данных: Определите путь к набору данных, количество классов и имена классов в dataset.yaml файл.
4. Начать обучение: Выполнить train.py скрипт, указав пути к вашим dataset.yaml, желаемые предварительно обученные веса (например, yolov5s.pt), размер изображения, размер партии и количество эпох.

   python train.py --img 640 --batch 16 --epochs 100 --data path/to/your/dataset.yaml --weights yolov5s.pt
   

Почему я должен использовать Ultralytics HUB для обучения своих моделей YOLO ?

Ultralytics HUB - это комплексная платформа, предназначенная для оптимизации всего жизненного цикла разработки модели YOLO , зачастую без необходимости писать какой-либо код. Ключевые преимущества включают:

• Упрощенное обучение: Легкое обучение моделей с помощью предварительно настроенных сред и интуитивно понятного пользовательского интерфейса.
• Интегрированное управление данными: Загружайте, контролируйте версии и эффективно управляйте своими наборами данных в рамках платформы.
• Мониторинг в режиме реального времени: Отслеживайте ход обучения и визуализируйте показатели эффективности с помощью таких интегрированных инструментов, как Comet или TensorBoard.
• Функции совместной работы: Облегчает работу в команде благодаря общим ресурсам, инструментам управления проектами и простому обмену моделями.
• Развертывание без кода: Развертывание обученных моделей непосредственно на различные цели.

Для получения практического руководства ознакомьтесь с нашей статьей в блоге: Как обучать пользовательские модели с помощью Ultralytics HUB.

Как преобразовать аннотированные данные в формат YOLOv5 ?

Независимо от того, делаете ли вы аннотацию вручную или используете автоматизированные инструменты (например, те, что упоминались в разделе 1.2), итоговые метки должны быть в специальном форматеYOLO , требуемом YOLOv5:

• Создайте один .txt файл для каждого изображения. Имя файла должно совпадать с именем изображения (например, image1.jpg соответствует image1.txt). Поместите эти файлы в labels/ параллельно с каталогом images/ каталог (например, ../datasets/mydataset/labels/train/).
• Каждая строка в .txt Файл представляет собой аннотацию одного объекта и имеет формат: class_index center_x center_y width height.
• Координаты (center_x, center_y, width, height) должен быть нормализованный (значения от 0,0 до 1,0) относительно размеров изображения.
• Индексы классов на нулевой основе (первый класс 0, второй - 1, и т.д.).

Многие инструменты для ручного аннотирования предлагают прямой экспорт в формат YOLO . Если вы используете автоматизированные модели, вам понадобятся скрипты или процессы для преобразования их выходных данных (например, координат ограничительных рамок, масок сегментации) в этот специфический нормализованный текстовый формат. Убедитесь, что конечная структура набора данных соответствует приведенному в руководстве примеру. Для получения более подробной информации см. наше Руководство по сбору данных и аннотированию.

Каковы возможности лицензирования для использования YOLOv5 в коммерческих приложениях?

Ultralytics обеспечивает гибкое лицензирование, соответствующее различным потребностям:

• ЛицензияAGPL-3.0 : Эта лицензия с открытым исходным кодом подходит для академических исследований, личных проектов и ситуаций, когда соблюдение требований открытого исходного кода является приемлемым. Она требует, чтобы модификации и производные работы также были опубликованы под AGPL-3.0. Ознакомьтесь с подробностями лицензииAGPL-3.0 .
• Корпоративная лицензия: Коммерческая лицензия, предназначенная для предприятий, интегрирующих YOLOv5 в собственные продукты или услуги. Эта лицензия снимает обязательства AGPL-3.0 по открытому исходному коду, позволяя распространять закрытый исходный код. Посетите нашу страницу лицензирования, чтобы узнать подробности или запросить корпоративную лицензию.

Выберите лицензию, которая лучше всего соответствует требованиям вашего проекта и модели распространения.

📅 Создано 1 год назад ✏️ Обновлено 1 месяц назад

Комментарии