PyTorch HubからのYOLOv5のロード#

📚 このガイドでは、PyTorch Hub（https://pytorch.org/hub/ultralytics_yolov5）から YOLOv5 🚀 をロードする方法について説明します。

始める前に#

Python>=3.8.0（PyTorch>=1.8を含む）環境で requirements.txt をインストールします。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 のクローンを作成する必要はありません。PyTorch Hub がコードを自動的に取得します。

PyTorch Hub で YOLOv5 をロードする#

シンプルな例#

この例では、PyTorch Hub から事前学習済み YOLOv5s モデルを model としてロードし、推論用の画像を渡します。'yolov5s' は最も軽量かつ最速の YOLOv5 モデルです。利用可能なすべてのモデルの詳細については、README をご覧ください。

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 画像ソースを使用したバッチ推論を示しています。results は、コンソールへの出力、runs/hub への保存、サポートされている環境での画面への表示、およびテンソルまたは pandas データフレームとしての取得が可能です。

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("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 の AutoShape() フォワードメソッドをご覧ください。

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、以下の方法で設定可能なさまざまな推論属性が含まれています：

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 上で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

入力画像は推論の前に、適切な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#

モデルは _verbose=False を使用してサイレントモードでロードできます：

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

入力チャネル#

デフォルトの 3 チャネルではなく 4 入力チャネルを持つ事前学習済み YOLOv5s モデルをロードするには：

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

この場合、最初の入力レイヤー以外は事前学習済みの重みで構成されます。最初のレイヤーは事前学習済み入力レイヤーと形状が異なるため、ランダムな重みで初期化された状態のままとなります。

クラス数#

デフォルトの 80 クラスではなく 10 出力クラスを持つ事前学習済み YOLOv5s モデルをロードするには：

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

この場合、出力レイヤー以外は事前学習済みの重みで構成されます。出力レイヤーは事前学習済み出力レイヤーと形状が異なるため、ランダムな重みで初期化された状態のままとなります。

強制リロード#

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、既存のキャッシュが破棄され、PyTorch Hub から最新の YOLOv5 バージョンのフレッシュなダウンロードが強制されるため、解決に役立つ場合があります。キャッシュされたコピーは ~/.cache/torch/hub に保存されます。そのフォルダを削除しても同様の効果が得られます。

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

デスクトップ画面の推論#

デスクトップ画面上で推論を実行するには：

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、スレッド推論を使用して複数の GPU に並列でロードできます：

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 モデルをロードするには、autoshape=False を設定します。（ゼロからトレーニングするために）ランダムに初期化された重みを持つモデルをロードするには、pretrained=False を使用します。この場合、独自のトレーニングスクリプトを提供する必要があります。または、モデルのトレーニングについては YOLOv5 のカスタムデータトレーニングチュートリアルをご覧ください。

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 結果#

API サービスでの使用向け。詳細は Flask REST API の例をご覧ください。

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

切り抜かれた結果#

結果を取得し、検出されたクロップ画像として保存できます：

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

Pandas 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

並べ替えられた結果#

結果は列ごとに並べ替えることができます。例えば、ナンバープレートの数字検出を左から右（x軸）に並べ替えるには：

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

JSON 結果#

.to_json() メソッドを使用して .pandas() データフレームに変換すると、結果を 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、カスタムの 20 クラス VOC 学習済み YOLOv5s モデル 'best.pt' をロードします。

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 エクスポートチュートリアルをご覧ください。

ヒント

GPU ベンチマークにおいて、TensorRT は PyTorch よりも 2〜5 倍高速になる場合があります。
CPU ベンチマークにおいて、ONNX および OpenVINO は PyTorch よりも 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

サポートされている環境#

Ultralytics は、プロジェクトを迅速に開始できるように、CUDA、CUDNN、Python、PyTorch などの必須依存関係が事前に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。

無料GPUノートブック:
Google Cloud: GCPクイックスタートガイド
Amazon: AWS Quickstart Guide
Azure: AzureML Quickstart Guide
Docker: Dockerクイックスタートガイド

プロジェクトの状態#

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）テストが正常に合格していることを示しています。これらの CI テストは、学習、検証、推論、エクスポート、ベンチマークの主要な側面全体で、YOLOv5 の機能とパフォーマンスを厳格にチェックします。これらは、24 時間ごとおよび新しいコミットごとにテストが実施され、macOS、Windows、Ubuntu での一貫した信頼性の高い動作を保証します。

貢献者

GLglenn-jocher¹

作成日 2 か月前更新日 2 か月前