PyTorch HubからYOLOv5を読み込む#

📚 このガイドでは、PyTorch HubからYOLOv5 🚀 をhttps://pytorch.org/hub/ultralytics_yolov5で読み込む方法を説明します。

開始する前に#

requirements.txtを、Python>=3.8.0環境にインストールしてください。PyTorch>=1.8も必要です。モデルとデータセットは、最新のYOLOv5 リリースから自動的にダウンロードされます。

pip install -r https://raw.githubusercontent.com/ultralytics/yolov5/master/requirements.txt

ヒント

ultralytics/yolov5のクローン作成は不要です。PyTorch Hubがコードを自動的に取得します。

PyTorch HubでYOLOv5を読み込む#

簡単な例#

この例では、PyTorch Hubから事前学習済みのYOLOv5sモデルをmodelとして読み込み、画像を推論に渡します。'yolov5s'は、最も軽量で高速なYOLOv5モデルです。利用可能なすべてのモデルについては、READMEを参照してください。

import torch

# Model
model = torch.hub.load("ultralytics/yolov5", "yolov5s")

# Image
im = "https://ultralytics.com/images/zidane.jpg"

# Inference
results = model(im)

results.pandas().xyxy[0]
#      xmin    ymin    xmax   ymax  confidence  class    name
# 0  749.50   43.50  1148.0  704.5    0.874023      0  person
# 1  433.50  433.50   517.5  714.5    0.687988     27     tie
# 2  114.75  195.75  1095.0  708.0    0.624512      0  person
# 3  986.00  304.00  1028.0  420.0    0.286865     27     tie

詳細な例#

この例では、PILおよび**OpenCVの画像ソースを使用したバッチ推論を示します。resultsはコンソールに出力したり、runs/hubに保存したり、対応環境では画面に表示したり、テンソルまたはpandas**のデータフレームとして返したりできます。

import cv2
import torch
from PIL import Image

# Model
model = torch.hub.load("ultralytics/yolov5", "yolov5s")

# Images
for f in "zidane.jpg", "bus.jpg":
    torch.hub.download_url_to_file(f"https://ultralytics.com/images/{f}", f)  # download 2 images
im1 = Image.open("zidane.jpg")  # PIL image
im2 = cv2.imread("bus.jpg")[..., ::-1]  # OpenCV image (BGR to RGB)

# Inference
results = model([im1, im2], size=640)  # batch of images

# Results
results.print()
results.save()  # or .show()

results.xyxy[0]  # im1 predictions (tensor)
results.pandas().xyxy[0]  # im1 predictions (pandas)
#      xmin    ymin    xmax   ymax  confidence  class    name
# 0  749.50   43.50  1148.0  704.5    0.874023      0  person
# 1  433.50  433.50   517.5  714.5    0.687988     27     tie
# 2  114.75  195.75  1095.0  708.0    0.624512      0  person
# 3  986.00  304.00  1028.0  420.0    0.286865     27     tie

すべての推論オプションについては、YOLOv5 AutoShape()のforward メソッドを参照してください。

推論設定#

YOLOv5モデルには、信頼度しきい値やIoUしきい値など、さまざまな推論属性が含まれており、次のように設定できます。

model.conf = 0.25  # NMS confidence threshold
model.iou = 0.45  # NMS IoU threshold
model.agnostic = False  # NMS class-agnostic
model.multi_label = False  # NMS multiple labels per box
model.classes = None  # (optional list) filter by class, i.e. = [0, 15, 16] for COCO persons, cats and dogs
model.max_det = 1000  # maximum number of detections per image
model.amp = False  # Automatic Mixed Precision (AMP) inference

results = model(im, size=320)  # custom inference size

デバイス#

モデルは作成後に任意のデバイスへ転送できます。

model.cpu()  # CPU
model.cuda()  # GPU
model.to(device)  # i.e. device=torch.device(0)

モデルは任意のdevice上に直接作成することもできます。

model = torch.hub.load("ultralytics/yolov5", "yolov5s", device="cpu")  # load on CPU

ヒント

入力画像は、推論前に正しいモデルデバイスへ自動的に転送されます。

出力を抑制する#

_verbose=Falseを使用すると、モデルを出力なしで読み込めます。

model = torch.hub.load("ultralytics/yolov5", "yolov5s", _verbose=False)  # load silently

入力チャンネル#

デフォルトの3ではなく、4つの入力チャンネルを持つ事前学習済みYOLOv5sモデルを読み込むには、次のようにします。

model = torch.hub.load("ultralytics/yolov5", "yolov5s", channels=4)

この場合、モデルは、事前学習済みの入力層と形状が異なるため、最初の入力層以外は事前学習済みの重みで構成されます。入力層はランダムな重みで初期化されたままになります。

クラス数#

デフォルトの80ではなく、10個の出力クラスを持つ事前学習済みYOLOv5sモデルを読み込むには、次のようにします。

model = torch.hub.load("ultralytics/yolov5", "yolov5s", classes=10)

この場合、モデルは、事前学習済みの出力層と形状が異なるため、出力層以外は事前学習済みの重みで構成されます。出力層はランダムな重みで初期化されたままになります。

強制的に再読み込みする#

上記の手順で問題が発生した場合は、force_reload=Trueを設定すると、既存のキャッシュを破棄し、PyTorch Hubから最新のYOLOv5バージョンを新たにダウンロードするよう強制できるため、解決に役立つことがあります。キャッシュされたコピーは~/.cache/torch/hubに保存されており、そのフォルダーを削除しても同じ効果が得られます。

model = torch.hub.load("ultralytics/yolov5", "yolov5s", force_reload=True)  # force reload

スクリーンショット推論#

デスクトップ画面で推論を実行するには、次のようにします。

import torch
from PIL import ImageGrab

# Model
model = torch.hub.load("ultralytics/yolov5", "yolov5s")

# Image
im = ImageGrab.grab()  # take a screenshot

# Inference
results = model(im)

マルチGPU推論#

YOLOv5モデルは、スレッド化された推論により、複数のGPUへ並列に読み込めます。

import threading

import torch

def run(model, im):
    """Performs inference on an image using a given model and saves the output; model must support `.save()` method."""
    results = model(im)
    results.save()

# Models
model0 = torch.hub.load("ultralytics/yolov5", "yolov5s", device=0)
model1 = torch.hub.load("ultralytics/yolov5", "yolov5s", device=1)

# Inference
threading.Thread(target=run, args=[model0, "https://ultralytics.com/images/zidane.jpg"], daemon=True).start()
threading.Thread(target=run, args=[model1, "https://ultralytics.com/images/bus.jpg"], daemon=True).start()

トレーニング#

推論ではなくトレーニング用にYOLOv5モデルを読み込むには、autoshape=Falseを設定します。ランダムに初期化された重みを持つモデルを読み込む（スクラッチからトレーニングする）には、pretrained=Falseを使用します。この場合は、独自のトレーニングスクリプトを用意する必要があります。モデルのトレーニングについては、当社のYOLOv5 カスタムデータのトレーニングチュートリアルも参照してください。

import torch

model = torch.hub.load("ultralytics/yolov5", "yolov5s", autoshape=False)  # load pretrained
model = torch.hub.load("ultralytics/yolov5", "yolov5s", autoshape=False, pretrained=False)  # load scratch

Base64の結果#

APIサービスで使用する場合に適しています。詳細については、Flask REST APIの例を参照してください。

import base64
from io import BytesIO

from PIL import Image

results = model(im)  # inference

results.ims  # array of original images (as np array) passed to model for inference
results.render()  # updates results.ims with boxes and labels
for im in results.ims:
    buffered = BytesIO()
    im_base64 = Image.fromarray(im)
    im_base64.save(buffered, format="JPEG")
    print(base64.b64encode(buffered.getvalue()).decode("utf-8"))  # base64 encoded image with results

切り抜き結果#

結果は検出領域の切り抜きとして返し、保存できます。

results = model(im)  # inference
crops = results.crop(save=True)  # cropped detections dictionary

Pandasの結果#

結果はPandas DataFramesとして返すことができます。

results = model(im)  # inference
results.pandas().xyxy[0]  # Pandas DataFrame

Pandas Output (click to expand)

print(results.pandas().xyxy[0])
#      xmin    ymin    xmax   ymax  confidence  class    name
# 0  749.50   43.50  1148.0  704.5    0.874023      0  person
# 1  433.50  433.50   517.5  714.5    0.687988     27     tie
# 2  114.75  195.75  1095.0  708.0    0.624512      0  person
# 3  986.00  304.00  1028.0  420.0    0.286865     27     tie

結果の並べ替え#

列で結果を並べ替えることができます。たとえば、ナンバープレートの数字検出を左から右（x軸）に並べ替える場合に使用します。

results = model(im)  # inference
results.pandas().xyxy[0].sort_values("xmin")  # sorted left-right

JSONの結果#

結果は、.to_json()メソッドを使用して.pandas()データフレームに変換した後、JSON形式で返すことができます。JSON形式は、orient引数を使用して変更できます。詳細については、pandasの.to_json()ドキュメントを参照してください。

results = model(ims)  # inference
results.pandas().xyxy[0].to_json(orient="records")  # JSON img1 predictions

JSON Output (click to expand)

[
    {
        "xmin": 749.5,
        "ymin": 43.5,
        "xmax": 1148.0,
        "ymax": 704.5,
        "confidence": 0.8740234375,
        "class": 0,
        "name": "person"
    },
    {
        "xmin": 433.5,
        "ymin": 433.5,
        "xmax": 517.5,
        "ymax": 714.5,
        "confidence": 0.6879882812,
        "class": 27,
        "name": "tie"
    },
    {
        "xmin": 115.25,
        "ymin": 195.75,
        "xmax": 1096.0,
        "ymax": 708.0,
        "confidence": 0.6254882812,
        "class": 0,
        "name": "person"
    },
    {
        "xmin": 986.0,
        "ymin": 304.0,
        "xmax": 1028.0,
        "ymax": 420.0,
        "confidence": 0.2873535156,
        "class": 27,
        "name": "tie"
    }
]

カスタムモデル#

この例では、PyTorch Hubを使用して、VOCでトレーニングした20クラスのカスタムYOLOv5sモデル'best.pt'を読み込みます。

import torch

model = torch.hub.load("ultralytics/yolov5", "custom", path="path/to/best.pt")  # local model
model = torch.hub.load("path/to/yolov5", "custom", path="path/to/best.pt", source="local")  # local repo

TensorRT、ONNX、OpenVINOモデル#

PyTorch Hubは、カスタムトレーニング済みモデルを含む、ほとんどのYOLOv5エクスポート形式での推論をサポートしています。モデルのエクスポートの詳細については、TFLite、ONNX、CoreML、TensorRTのエクスポートチュートリアルを参照してください。

ヒント

TensorRTは、GPUベンチマークでPyTorchより2～5倍高速になる場合があります。
ONNXとOpenVINOは、CPUベンチマークでPyTorchより2～3倍高速になる場合があります。

import torch

model = torch.hub.load("ultralytics/yolov5", "custom", path="yolov5s.pt")  # PyTorch
model = torch.hub.load("ultralytics/yolov5", "custom", path="yolov5s.torchscript")  # TorchScript
model = torch.hub.load("ultralytics/yolov5", "custom", path="yolov5s.onnx")  # ONNX
model = torch.hub.load("ultralytics/yolov5", "custom", path="yolov5s_openvino_model/")  # OpenVINO
model = torch.hub.load("ultralytics/yolov5", "custom", path="yolov5s.engine")  # TensorRT
model = torch.hub.load("ultralytics/yolov5", "custom", path="yolov5s.mlmodel")  # CoreML (macOS-only)
model = torch.hub.load("ultralytics/yolov5", "custom", path="yolov5s.tflite")  # TFLite
model = torch.hub.load("ultralytics/yolov5", "custom", path="yolov5s_paddle_model/")  # PaddlePaddle

サポート対象の環境#

Ultralyticsは、プロジェクトをすぐに開始できるよう、CUDA、CUDNN、Python、PyTorchなどの主要な依存関係があらかじめインストールされた、すぐに使用できるさまざまな環境を提供しています。

プロジェクトのステータス#

このバッジは、すべてのYOLOv5 GitHub Actions継続的インテグレーション（CI）テストに正常に合格していることを示します。これらのCIテストでは、トレーニング、検証、推論、エクスポート、ベンチマークなど、さまざまな主要領域におけるYOLOv5の機能とパフォーマンスを厳密に確認します。24時間ごとおよび新しいコミットごとにテストを実施し、macOS、Windows、Ubuntuで一貫した信頼性の高い動作を保証します。

貢献者

RAraimbekovm¹ PDpderrenger¹ GLglenn-jocher¹

作成 2 か月前更新先週