Модель YOLO-World#

Модель YOLO-World представляет собой передовой подход на базе Ultralytics YOLOv8 в реальном времени для задач детектирования с открытым словарем. Это нововведение позволяет обнаруживать любые объекты на изображении на основе текстовых описаний. Значительно снижая вычислительные требования при сохранении конкурентоспособной производительности, YOLO-World становится универсальным инструментом для многочисленных приложений компьютерного зрения.

Обзор#

YOLO-World решает проблемы, с которыми сталкиваются традиционные модели детектирования с открытым словарем, часто зависящие от громоздких моделей Transformer, требующих огромных вычислительных ресурсов. Зависимость этих моделей от предопределенных категорий объектов также ограничивает их полезность в динамических сценариях. YOLO-World обновляет фреймворк YOLOv8 возможностями детектирования с открытым словарем, используя зрительно-языковое моделирование и предварительное обучение на масштабных датасетах для эффективного распознавания широкого спектра объектов в сценариях zero-shot с непревзойденной производительностью.

Ключевые особенности#

1. Решение в реальном времени: Используя вычислительную скорость CNN, YOLO-World обеспечивает быстрое решение для детектирования с открытым словарем, подходящее для отраслей, которым нужны немедленные результаты.

2. Эффективность и производительность: YOLO-World сокращает вычислительные и ресурсные требования без ущерба для производительности, предлагая надежную альтернативу моделям вроде SAM, но с долей вычислительных затрат, что позволяет использовать его в приложениях реального времени.

3. Инференс с офлайн-словарем: YOLO-World представляет стратегию «prompt-then-detect» (сначала промпт, потом детектирование), используя офлайн-словарь для дальнейшего повышения эффективности. Этот подход позволяет использовать пользовательские промпты, вычисленные заранее, включая заголовки или категории, для кодирования и сохранения в качестве эмбеддингов офлайн-словаря, оптимизируя процесс детектирования.

4. На базе YOLOv8: Созданная на основе Ultralytics YOLOv8, модель YOLO-World задействует новейшие достижения в области детектирования объектов в реальном времени для обеспечения обнаружения с открытым словарем с непревзойденной точностью и скоростью.

5. Превосходство в тестах: YOLO-World превосходит существующие детекторы с открытым словарем, включая серии MDETR и GLIP, по скорости и эффективности на стандартных бенчмарках, демонстрируя превосходные возможности YOLOv8 на одном GPU NVIDIA V100.

6. Универсальные приложения: Инновационный подход YOLO-World открывает новые возможности для множества задач компьютерного зрения, обеспечивая увеличение скорости на порядки по сравнению с существующими методами.

Доступные модели, поддерживаемые задачи и режимы работы#

В этом разделе подробно описаны доступные модели с их конкретными предобученными весами, поддерживаемые ими задачи, а также совместимость с различными режимами работы, такими как Инференс, Валидация, Обучение и Экспорт, которые обозначаются значком ✅ для поддерживаемых режимов и ❌ для неподдерживаемых.

Zero-shot перенос на набор данных COCO#

Примеры использования#

Модели YOLO-World легко интегрируются в твои приложения на Python. Ultralytics предоставляет удобный Python API и команды CLI для оптимизации разработки.

Использование для обучения#

Детектирование объектов выполняется просто с помощью метода train, как показано ниже:

from ultralytics import YOLOWorld

# Load a pretrained YOLOv8s-worldv2 model
model = YOLOWorld("yolov8s-worldv2.pt")

# Train the model on the COCO8 example dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference with the YOLO-World model on the 'bus.jpg' image
results = model("path/to/bus.jpg")

Использование для предсказания#

Детектирование объектов выполняется просто с помощью метода predict, как показано ниже:

from ultralytics import YOLOWorld

# Initialize a YOLO-World model
model = YOLOWorld("yolov8s-world.pt")  # or select yolov8m/l-world.pt for different sizes

# Execute inference with the YOLOv8s-world model on the specified image
results = model.predict("path/to/image.jpg")

# Show results
results[0].show()

Этот фрагмент кода демонстрирует простоту загрузки предобученной модели и запуска предсказания на изображении.

Использование для валидации#

Валидация модели на наборе данных упрощена следующим образом:

from ultralytics import YOLO

# Create a YOLO-World model
model = YOLO("yolov8s-world.pt")  # or select yolov8m/l-world.pt for different sizes

# Conduct model validation on the COCO8 example dataset
metrics = model.val(data="coco8.yaml")

Использование для отслеживания#

Трекинг объектов с помощью модели YOLO-World на видео/изображениях оптимизирован следующим образом:

from ultralytics import YOLO

# Create a YOLO-World model
model = YOLO("yolov8s-world.pt")  # or select yolov8m/l-world.pt for different sizes

# Track with a YOLO-World model on a video
results = model.track(source="path/to/video.mp4")

Установка промптов#

Фреймворк YOLO-World позволяет динамически задавать классы с помощью пользовательских промптов, давая тебе возможность адаптировать модель под конкретные задачи без переобучения. Эта функция особенно полезна для адаптации модели к новым доменам или специфическим задачам, которые изначально не входили в данные для обучения. Задавая пользовательские промпты, ты можешь по существу направлять внимание модели на интересующие объекты, повышая релевантность и точность результатов детектирования.

Например, если твоему приложению требуется обнаруживать только объекты 'person' (человек) и 'bus' (автобус), ты можешь указать эти классы напрямую:

from ultralytics import YOLO

# Initialize a YOLO-World model
model = YOLO("yolov8s-world.pt")  # or choose yolov8m/l-world.pt

# Define custom classes
model.set_classes(["person", "bus"])

# Execute prediction for specified categories on an image
results = model.predict("path/to/image.jpg")

# Show results
results[0].show()

model.set_classes(["person", "bus", ""])

Ты также можешь сохранить модель после настройки пользовательских классов. Поступив так, ты создаешь версию модели YOLO-World, специализированную для твоего конкретного случая использования. Этот процесс встраивает твои определения пользовательских классов непосредственно в файл модели, делая ее готовой к использованию с указанными тобой классами без дальнейших правок. Выполни эти шаги, чтобы сохранить и загрузить свою кастомную модель YOLO-World:

from ultralytics import YOLO

# Initialize a YOLO-World model
model = YOLO("yolov8s-world.pt")  # or select yolov8m/l-world.pt

# Define custom classes
model.set_classes(["person", "bus"])

# Save the model with the defined offline vocabulary
model.save("custom_yolov8s.pt")

from ultralytics import YOLO

# Load your custom model
model = YOLO("custom_yolov8s.pt")

# Run inference to detect your custom classes
results = model.predict("path/to/image.jpg")

# Show results
results[0].show()

Преимущества сохранения с пользовательским словарем#

• Эффективность: Оптимизирует процесс детектирования, фокусируясь на релевантных объектах, уменьшая вычислительные накладные расходы и ускоряя инференс.
• Гибкость: Позволяет легко адаптировать модель к новым или узкоспециализированным задачам детектирования без необходимости масштабного переобучения или сбора данных.
• Простота: Упрощает развертывание, устраняя необходимость повторно указывать пользовательские классы во время выполнения, делая модель готовой к использованию с ее встроенным словарем.
• Производительность: Повышает точность детектирования для указанных классов, фокусируя внимание и ресурсы модели на распознавании определенных объектов.

Этот подход предоставляет мощный инструмент для кастомизации современных моделей детектирования объектов под конкретные задачи, делая передовой ИИ более доступным и применимым для более широкого спектра практических применений.

Воспроизведение официальных результатов с нуля (Экспериментально)#

Подготовка наборов данных#

• Данные для обучения

• Валидационные данные

Запуск обучения с нуля#

from ultralytics import YOLOWorld
from ultralytics.models.yolo.world.train_world import WorldTrainerFromScratch

# Option 1: Use Python dictionary
data = {
    "train": {
        "yolo_data": ["Objects365.yaml"],
        "grounding_data": [
            {
                "img_path": "flickr30k/images",
                "json_file": "flickr30k/final_flickr_separateGT_train.json",
            },
            {
                "img_path": "GQA/images",
                "json_file": "GQA/final_mixed_train_no_coco.json",
            },
        ],
    },
    "val": {"yolo_data": ["lvis.yaml"]},
}

# Option 2: Use YAML file (yolo_world_data.yaml)
# train:
#   yolo_data:
#     - Objects365.yaml
#   grounding_data:
#     - img_path: flickr/full_images/
#       json_file: flickr/annotations/final_flickr_separateGT_train_segm.json
#     - img_path: mixed_grounding/gqa/images
#       json_file: mixed_grounding/annotations/final_mixed_train_no_coco_segm.json
# val:
#   yolo_data:
#     - lvis.yaml

model = YOLOWorld("yolov8s-worldv2.yaml")
model.train(
    data=data,  # or data="yolo_world_data.yaml" if using YAML file
    batch=128,
    epochs=100,
    trainer=WorldTrainerFromScratch,
)

Цитирование и благодарности#

Мы выражаем благодарность Центру компьютерного зрения Tencent AILab за их новаторскую работу в области детектирования объектов с открытым словарем в реальном времени с помощью YOLO-World:

@article{cheng2024yolow,
title={YOLO-World: Real-Time Open-Vocabulary Object Detection},
author={Cheng, Tianheng and Song, Lin and Ge, Yixiao and Liu, Wenyu and Wang, Xinggang and Shan, Ying},
journal={arXiv preprint arXiv:2401.17270},
year={2024}
}

Для дальнейшего чтения оригинальная статья по YOLO-World доступна на arXiv. Исходный код проекта и дополнительные ресурсы можно найти в их репозитории на GitHub. Мы ценим их стремление развивать эту область и делиться ценными идеями с сообществом.

FAQ#