Link to this sectionОбучение YOLOv5 на собственных данных#

📚 В этом руководстве объясняется, как обучить собственный пользовательский набор данных с помощью модели YOLOv5 🚀. Обучение собственных моделей — это фундаментальный шаг в адаптации решений компьютерного зрения к конкретным прикладным задачам, выходящим за рамки стандартного обнаружения объектов.

Link to this sectionПеред началом#

Сначала убедись, что у тебя настроено необходимое окружение. Клонируй репозиторий YOLOv5 и установи требуемые зависимости из файла requirements.txt. Окружение Python>=3.8.0 с PyTorch>=1.8 является обязательным. Модели и наборы данных будут автоматически загружены из последнего релиза YOLOv5, если они не найдены локально.

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

Link to this sectionОбучение на собственных данных#

Разработка собственной модели обнаружения объектов — это итеративный процесс:

1. Сбор и организация изображений: Собери изображения, относящиеся к твоей конкретной задаче. Качественные и разнообразные данные имеют решающее значение. Ознакомься с нашим руководством по сбору и аннотированию данных.
2. Разметка объектов: точно аннотируй нужные объекты на своих изображениях.
3. Обучение модели: Используй размеченные данные для обучения своей модели YOLOv5. Задействуй трансферное обучение, начиная с предобученных весов.
4. Развертывание и прогнозирование: Используй обученную модель для инференса на новых, ранее не виденных данных.
5. Сбор пограничных случаев: выявляй сценарии, в которых модель работает плохо (пограничные случаи), и добавляй похожие данные в свой набор, чтобы повысить устойчивость. Повторяй цикл.

Ultralytics Platform предлагает оптимизированное no-code решение для всего цикла MLOps (операций машинного обучения), включая управление наборами данных, обучение моделей и их развертывание.

Перед началом обучения крайне важна подготовка данных.

Link to this section1. Создание набора данных#

Моделям YOLOv5 требуются размеченные данные для изучения визуальных характеристик классов объектов. Правильная организация набора данных — ключ к успеху.

Link to this section1.1 Создание dataset.yaml#

Файл конфигурации набора данных (например, coco128.yaml) определяет структуру набора данных, названия классов и пути к папкам с изображениями. COCO128 служит небольшим примером набора данных, содержащим первые 128 изображений из обширного набора данных COCO. Он полезен для быстрой проверки конвейера обучения и диагностики потенциальных проблем, таких как переобучение.

Структура файла dataset.yaml включает:

• path: корневая директория, содержащая набор данных.
• train, val, test: относительные пути от path к папкам с изображениями или текстовым файлам, содержащим пути к изображениям для обучающей, проверочной и тестовой выборок.
• names: словарь, сопоставляющий индексы классов (начиная с 0) с соответствующими названиями классов.

Ты можешь установить path как абсолютный путь (например, /home/user/datasets/coco128) или относительный путь, например ../datasets/coco128, при запуске обучения из корня репозитория YOLOv5.

Ниже представлена структура файла coco128.yaml (посмотреть на GitHub):

# Dataset root directory relative to the yolov5 directory
path: 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

Link to this section1.2 Использование моделей для автоматической разметки#

Ручная разметка — это общепринятый подход, но он отнимает много времени. Фундаментальные модели могут автоматизировать или полуавтоматизировать аннотирование и ускорить создание набора данных. Примеры моделей, которые могут помочь в генерации меток:

• Google Gemini: крупные мультимодальные модели, такие как Gemini, обладают мощными возможностями понимания изображений. Им можно давать задания по идентификации и поиску объектов на изображениях, генерируя ограничивающие рамки или описания, которые можно преобразовать в метки формата YOLO. Исследуй возможности в предоставленном обучающем блокноте.
• SAM2 (Segment Anything Model 2): Фундаментальные модели, ориентированные на сегментацию, такие как SAM2, могут идентифицировать и очерчивать объекты с высокой точностью. Хотя они предназначены в основном для сегментации, полученные маски часто можно преобразовать в аннотации в виде ограничивающих рамок (bounding boxes), подходящие для задач обнаружения объектов.
• YOLOWorld: Эта модель предлагает возможности обнаружения с открытым словарем. Ты можешь предоставить текстовые описания объектов, которые тебя интересуют, и YOLOWorld сможет найти их на изображениях без предварительного обучения на этих конкретных классах. Это можно использовать в качестве отправной точки для генерации первоначальных меток, которые затем можно доработать.

Использование этих моделей может стать этапом «предварительной разметки», уменьшающим объем ручного труда. Тем не менее, важно проверять и уточнять автоматически сгенерированные метки, чтобы обеспечить точность и согласованность, поскольку их качество напрямую влияет на производительность твоей обученной модели YOLOv5. После генерации (и возможной доработки) меток убедись, что они соответствуют формату YOLO: один файл *.txt на каждое изображение, где каждая строка представляет объект как class_index x_center y_center width height (нормализованные координаты, индекс класса с нуля). Если на изображении нет интересующих объектов, соответствующий файл *.txt не нужен.

Спецификации файла *.txt в формате YOLO точны:

• Одна строка на каждый объект ограничивающей рамки.
• Каждая строка должна содержать: class_index x_center y_center width height.
• Координаты должны быть нормализованы к диапазону от 0 до 1. Чтобы этого добиться, раздели значения x_center и width в пикселях на общую ширину изображения, а y_center и height — на общую высоту изображения.
• Индексы классов начинаются с нуля (то есть первый класс представлен 0, второй — 1 и так далее).

Файл меток, соответствующий изображению выше, содержащий два объекта 'person' (индекс класса 0) и один объект 'tie' (индекс класса 27), выглядел бы так:

Link to this section1.3 Организация директорий#

Структурируй свою директорию с наборами данных, как показано ниже. По умолчанию YOLOv5 ожидает, что директория набора данных (например, /coco128) находится внутри папки /datasets, расположенной рядом с папкой репозитория /yolov5.

YOLOv5 автоматически находит метки для каждого изображения, заменяя последнее вхождение /images/ в пути к изображению на /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 директорий:

/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)
            └── ...

Link to this section2. Выбор модели#

Выбери предобученную модель для начала процесса обучения. Начало с предобученных весов значительно ускоряет обучение и улучшает производительность по сравнению с обучением с нуля. YOLOv5 предлагает различные размеры моделей, каждый из которых по-своему балансирует скорость и точность. Например, YOLOv5s — это вторая по размеру и самая быстрая модель, подходящая для сред с ограниченными ресурсами. Ознакомься с таблицей в README для подробного сравнения всех доступных моделей.

Link to this section3. Обучение#

Начни обучение модели с помощью скрипта train.py. Основные аргументы включают:

• --img: Определяет входной размер изображения (например, --img 640). Большие размеры обычно дают лучшую точность, но требуют больше памяти GPU.
• --batch: определяет размер пакета (например, --batch 16). Выбирай максимально возможный размер, с которым может справиться твой GPU.
• --epochs: указывает общее количество эпох обучения (например, --epochs 100). Одна эпоха представляет собой полный проход по всему обучающему набору данных.
• --data: путь к твоему файлу dataset.yaml (например, --data coco128.yaml).
• --weights: путь к файлу начальных весов. Использование предобученных весов (например, --weights yolov5s.pt) настоятельно рекомендуется для более быстрой сходимости и превосходных результатов. Чтобы обучать с нуля (не рекомендуется, если у тебя нет очень большого набора данных и особых нужд), используй --weights '' --cfg yolov5s.yaml.

Предобученные веса автоматически загружаются из последнего релиза YOLOv5, если они 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 логи, сохраняются в директории runs/train/. Каждая сессия обучения создает новую поддиректорию (например, runs/train/exp, runs/train/exp2 и т. д.). Для интерактивного практического опыта изучи раздел обучения в наших официальных блокнотах-руководствах:

Link to this section4. Визуализация#

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

Link to this sectionЛогирование и визуализация с помощью Comet#

Comet полностью интегрирован для всестороннего отслеживания экспериментов. Визуализируй метрики в реальном времени, сохраняй гиперпараметры, управляй наборами данных и контрольными точками моделей, а также анализируй прогнозы моделей с помощью интерактивных Comet Custom Panels.

Начать 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!

Узнай больше о поддерживаемых функциях в нашем Руководстве по интеграции с Comet. Получи больше информации о возможностях Comet из их официальной документации. Попробуй блокнот Comet Colab для демонстрации:

Link to this sectionЛогирование и автоматизация с ClearML#

Интеграция с ClearML обеспечивает подробное отслеживание экспериментов, управление версиями наборов данных и даже удаленное выполнение обучающих прогонов. Активируй ClearML с помощью этих простых шагов:

• Установи пакет: pip install clearml
• Инициализируй ClearML: запусти clearml-init один раз, чтобы подключиться к своему серверу ClearML (собственному или бесплатному тарифу).

ClearML автоматически фиксирует детали экспериментов, загруженные модели, сравнения, незафиксированные изменения в коде и установленные пакеты, обеспечивая полную воспроизводимость. Ты можешь легко планировать задачи обучения на удаленных агентах и управлять версиями наборов данных с помощью ClearML Data. Ознакомься с Руководством по интеграции с ClearML для получения подробной информации.

Link to this sectionЛокальное логирование#

Результаты обучения автоматически регистрируются с помощью TensorBoard и сохраняются в виде файлов CSV в соответствующей директории эксперимента (например, runs/train/exp). Зарегистрированные данные включают:

• Функции потерь при обучении и валидации, а также метрики производительности.
• Примеры изображений с примененными аугментациями (такими как мозаика).
• Метки истинных значений (Ground truth) вместе с предсказаниями модели для визуальной проверки.
• Ключевые метрики оценки, такие как кривые Precision-Recall (PR).
• Матрицы ошибок для детального анализа производительности по классам.

Файл results.csv обновляется после каждой эпохи и строится как results.png по окончании обучения. Ты также можешь построить график из любого файла results.csv вручную, используя предоставленную вспомогательную функцию:

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

Link to this section5. Следующие шаги#

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

• Запускай инференс на новых изображениях или видео с помощью обученной модели через CLI или Python.
• Выполняй валидацию, чтобы оценить точность модели и её способность к обобщению на различных выборках данных (например, на отложенном тестовом наборе).
• Экспортируй модель в различные форматы развертывания, такие как ONNX, TensorFlow SavedModel или TensorRT для оптимизированного инференса на различных платформах.
• Используй методы настройки гиперпараметров, чтобы потенциально добиться дополнительного прироста производительности.
• Продолжай улучшать свою модель, следуя нашим Советам для достижения лучших результатов обучения и итеративно добавляя более разнообразные и сложные данные на основе анализа производительности.

Link to this sectionПоддерживаемые окружения#

Ultralytics предоставляет готовые к использованию окружения, оснащенные необходимыми зависимостями, такими как CUDA, cuDNN, Python и PyTorch, облегчая быстрый старт.

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

Link to this sectionСтатус проекта#

Этот значок указывает на то, что все тесты GitHub Actions Continuous Integration (CI) для YOLOv5 успешно пройдены. Эти строгие тесты CI охватывают основные функциональные возможности, включая обучение, валидацию, инференс, экспорт и бенчмарки, в операционных системах macOS, Windows и Ubuntu. Тесты выполняются автоматически каждые 24 часа и при каждом коммите кода, обеспечивая стабильность и оптимальную производительность.

Link to this sectionFAQ#

Link to this sectionКак мне обучить YOLOv5 на собственном наборе данных?#

Обучение YOLOv5 на собственном наборе данных включает несколько ключевых шагов:

1. Подготовь свой набор данных: Собери изображения и разметь их. Убедись, что аннотации соответствуют требуемому формату YOLO. Организуй изображения и метки в папки train/ и val/ (и опционально test/). Рассмотри возможность использования таких моделей, как Google Gemini, SAM2 или YOLOWorld, для помощи или автоматизации процесса разметки (см. Раздел 1.2).
2. Настрой окружение: склонируй репозиторий YOLOv5 и установи зависимости с помощью pip install -r requirements.txt.

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

3. Создай конфигурацию набора данных: определи пути к данным, количество классов и их названия в файле dataset.yaml.
4. Начни обучение: запусти скрипт train.py, указав пути к твоему файлу dataset.yaml, желаемые предобученные веса (например, yolov5s.pt), размер изображения, размер батча и количество эпох.

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

Link to this sectionПочему стоит использовать Ultralytics Platform для обучения моих моделей YOLO?#

Ultralytics Platform — это комплексная платформа, разработанная для оптимизации всего жизненного цикла разработки моделей YOLO, часто без необходимости написания кода. Ключевые преимущества включают:

• Упрощенное обучение: легко обучай модели, используя предварительно настроенные окружения и интуитивно понятный интерфейс пользователя.
• Интегрированное управление данными: загружай, версионируй и эффективно управляй своими наборами данных прямо на платформе.
• Мониторинг в реальном времени: Отслеживай ход обучения и визуализируй метрики производительности с помощью интегрированных инструментов, таких как Comet или TensorBoard.
• Функции для совместной работы: упрощает командную работу за счет общих ресурсов, инструментов управления проектами и легкого обмена моделями.
• Развертывание без написания кода: развертывай обученные модели напрямую на различные целевые платформы.

Для практического руководства ознакомься с нашим постом в блоге: How to Train Your Custom Models with Ultralytics Platform.

Link to this sectionКак мне конвертировать мои аннотированные данные в формат YOLOv5?#

Независимо от того, аннотируешь ли ты вручную или используешь автоматизированные инструменты (как те, что упомянуты в разделе 1.2), итоговые метки должны быть в специфическом YOLO format, требуемом YOLOv5:

• Создай один .txt файл для каждого изображения. Имя файла должно совпадать с именем изображения (например, image1.jpg соответствует image1.txt). Помести эти файлы в директорию labels/, параллельную твоей директории images/ (например, ../datasets/mydataset/labels/train/).
• Каждая строка внутри файла .txt представляет одну аннотацию объекта и следует формату: class_index center_x center_y width height.
• Координаты (center_x, center_y, width, height) должны быть нормализованы (значения от 0.0 до 1.0) относительно размеров изображения.
• Индексы классов начинаются с нуля (первый класс — 0, второй — 1 и так далее).

Многие инструменты ручной разметки предлагают прямой экспорт в формат YOLO. Если ты используешь автоматизированные модели, тебе понадобятся скрипты или процессы для преобразования их вывода (например, координат ограничивающих рамок, масок сегментации) в этот специфический нормализованный текстовый формат. Убедись, что структура твоего финального набора данных соответствует примеру, приведенному в руководстве. Для получения дополнительных сведений см. наше Руководство по сбору и аннотированию данных.

Link to this sectionКакие существуют варианты лицензирования для использования YOLOv5 в коммерческих приложениях?#

Ultralytics предоставляет гибкие условия лицензирования, адаптированные под разные нужды:

• Лицензия AGPL-3.0: Эта лицензия с открытым исходным кодом подходит для академических исследований, личных проектов и ситуаций, где допустимо соблюдение требований открытого ПО. Она требует, чтобы модификации и производные работы также распространялись с открытым исходным кодом под AGPL-3.0. Ознакомься с деталями лицензии AGPL-3.0.
• Корпоративная лицензия (Enterprise License): Коммерческая лицензия, разработанная для компаний, интегрирующих YOLOv5 в проприетарные продукты или услуги. Эта лицензия снимает обязательства открытого ПО, предусмотренные AGPL-3.0, позволяя распространять закрытый код. Посети нашу страницу лицензирования для получения дополнительной информации или для запроса корпоративной лицензии (Enterprise License).

Выбери лицензию, которая наилучшим образом соответствует требованиям твоего проекта и модели распространения.