Sayfayı GitHub üzerinde düzenle (EN)

YOLOv5 Model Ensembling

📚 Bu kılavuz, daha yüksek mAP ve Recall elde etmek için test ve çıkarım sırasında Ultralytics YOLOv5 🚀 model birleştirme (model ensembling) yönteminin nasıl kullanılacağını açıklar.

Topluluk öğreniminden:

Topluluk modelleme, bir sonucu tahmin etmek için ya birçok farklı modelleme algoritması kullanılarak ya da farklı eğitim verisi kümeleri kullanılarak birden fazla çeşitli modelin oluşturulduğu bir süreçtir. Topluluk modeli, her temel modelin tahminini toplar ve görülmemiş veriler için tek bir nihai tahmin sonucu üretir. Topluluk modellerini kullanmanın motivasyonu, tahminin genelleme hatasını azaltmaktır. Temel modeller çeşitli ve bağımsız olduğu sürece, topluluk yaklaşımı kullanıldığında modelin tahmin hatası azalır. Bu yaklaşım, tahmin yaparken kalabalığın bilgeliğinden yararlanmayı hedefler. Topluluk modeli, kendi içinde birden fazla temel model barındırmasına rağmen tek bir model gibi hareket eder ve performans gösterir.

Başlamadan Önce

Clone repo and install requirements.txt in a Python>=3.8.0 environment, including PyTorch>=1.8. Models and datasets download automatically from the latest YOLOv5 release.

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

Normal Test

Birleştirmeden önce, tek bir modelin temel performansını belirle. Bu komut, YOLOv5x'i 640 piksel görüntü boyutunda COCO val2017 üzerinde test eder. yolov5x.pt mevcut olan en büyük ve en doğru modeldir. Diğer seçenekler yolov5s.pt, yolov5m.pt ve yolov5l.pt veya özel bir veri kümesini eğitmekten elde ettiğin kendi kontrol noktan olan ./weights/best.pt dosyasıdır. Mevcut tüm modellerle ilgili ayrıntılar için önceden eğitilmiş kontrol noktaları tablosuna bak.

python val.py --weights yolov5x.pt --data coco.yaml --img 640 --half

Çıktı:

val: data=./data/coco.yaml, weights=['yolov5x.pt'], batch_size=32, imgsz=640, conf_thres=0.001, iou_thres=0.65, task=val, device=, single_cls=False, augment=False, verbose=False, save_txt=False, save_conf=False, save_json=True, project=runs/val, name=exp, exist_ok=False, half=True
YOLOv5 🚀 v5.0-267-g6a3ee7c torch 1.9.0+cu102 CUDA:0 (Tesla P100-PCIE-16GB, 16280.875MB)

Fusing layers...
Model Summary: 476 layers, 87730285 parameters, 0 gradients

val: Scanning '../datasets/coco/val2017' images and labels...4952 found, 48 missing, 0 empty, 0 corrupted: 100% 5000/5000 [00:01<00:00, 2846.03it/s]
val: New cache created: ../datasets/coco/val2017.cache
               Class     Images     Labels          P          R     mAP@.5 mAP@.5:.95: 100% 157/157 [02:30<00:00,  1.05it/s]
                 all       5000      36335      0.746      0.626       0.68       0.49
Speed: 0.1ms pre-process, 22.4ms inference, 1.4ms NMS per image at shape (32, 3, 640, 640)  # <--- baseline speed

Evaluating pycocotools mAP... saving runs/val/exp/yolov5x_predictions.json...
...
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.504  # <--- baseline mAP
 Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.688
 Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.546
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.351
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.551
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.644
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=  1 ] = 0.382
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets= 10 ] = 0.628
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.681  # <--- baseline mAR
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.524
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.735
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.826

Topluluk Testi

Birden fazla önceden eğitilmiş model, mevcut herhangi bir val.py veya detect.py komutundaki --weights bağımsız değişkenine fazladan modeller eklenerek test ve çıkarım anında birleştirilebilir. Bu örnek, 2 modeli bir topluluk halinde birlikte test eder:

  • YOLOv5x
  • YOLOv5l6
python val.py --weights yolov5x.pt yolov5l6.pt --data coco.yaml --img 640 --half

runs/train/exp-5/weights/best.pt gibi özel ağırlıklar dahil olmak üzere istediğin kadar kontrol noktasını listeleyebilirsin. YOLOv5 her modeli otomatik olarak çalıştıracak, tahminleri görüntü bazında hizalayacak ve NMS gerçekleştirmeden önce çıktıların ortalamasını alacaktır.

Çıktı:

val: data=./data/coco.yaml, weights=['yolov5x.pt', 'yolov5l6.pt'], batch_size=32, imgsz=640, conf_thres=0.001, iou_thres=0.6, task=val, device=, single_cls=False, augment=False, verbose=False, save_txt=False, save_conf=False, save_json=True, project=runs/val, name=exp, exist_ok=False, half=True
YOLOv5 🚀 v5.0-267-g6a3ee7c torch 1.9.0+cu102 CUDA:0 (Tesla P100-PCIE-16GB, 16280.875MB)

Fusing layers...
Model Summary: 476 layers, 87730285 parameters, 0 gradients  # Model 1
Fusing layers...
Model Summary: 501 layers, 77218620 parameters, 0 gradients  # Model 2
Ensemble created with ['yolov5x.pt', 'yolov5l6.pt']  # Ensemble notice

val: Scanning '../datasets/coco/val2017.cache' images and labels... 4952 found, 48 missing, 0 empty, 0 corrupted: 100% 5000/5000 [00:00<00:00, 49695545.02it/s]
               Class     Images     Labels          P          R     mAP@.5 mAP@.5:.95: 100% 157/157 [03:58<00:00,  1.52s/it]
                 all       5000      36335      0.747      0.637      0.692      0.502
Speed: 0.1ms pre-process, 39.5ms inference, 2.0ms NMS per image at shape (32, 3, 640, 640)  # <--- ensemble speed

Evaluating pycocotools mAP... saving runs/val/exp-3/yolov5x_predictions.json...
...
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.515  # <--- ensemble mAP
 Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.699
 Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.557
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.356
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.563
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.668
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=  1 ] = 0.387
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets= 10 ] = 0.638
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.689  # <--- ensemble mAR
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.526
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.743
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.844

Topluluk Çıkarımı

Topluluk çıkarımını çalıştırmak için --weights bağımsız değişkenine fazladan modeller ekle:

python detect.py --weights yolov5x.pt yolov5l6.pt --img 640 --source data/images

Çıktı:

YOLOv5 🚀 v5.0-267-g6a3ee7c torch 1.9.0+cu102 CUDA:0 (Tesla P100-PCIE-16GB, 16280.875MB)

Fusing layers...
Model Summary: 476 layers, 87730285 parameters, 0 gradients
Fusing layers...
Model Summary: 501 layers, 77218620 parameters, 0 gradients
Ensemble created with ['yolov5x.pt', 'yolov5l6.pt']

image 1/2 /content/yolov5/data/images/bus.jpg: 640x512 4 persons, 1 bus, 1 tie, Done. (0.063s)
image 2/2 /content/yolov5/data/images/zidane.jpg: 384x640 3 persons, 2 ties, Done. (0.056s)
Results saved to runs/detect/exp-2
Done. (0.223s)
YOLO inference result

Model Birleştirmenin Faydaları

YOLOv5 ile model birleştirme çeşitli avantajlar sunar:

  1. İyileştirilmiş Doğruluk: Yukarıdaki örneklerde gösterildiği gibi, birden fazla modeli birleştirmek mAP değerini 0.504'ten 0.515'e ve mAR değerini 0.681'den 0.689'a yükseltir.
  2. Daha İyi Genelleme: Farklı modelleri birleştirmek, aşırı öğrenmeyi (overfitting) azaltmaya yardımcı olur ve çeşitli veriler üzerindeki performansı iyileştirir.
  3. Gelişmiş Dayanıklılık: Topluluk modelleri genellikle verideki gürültüye ve aykırı değerlere karşı daha dayanıklıdır.
  4. Tamamlayıcı Güçler: Farklı modeller, farklı nesne türlerini algılama veya farklı çevresel koşullarda çalışma konusunda daha başarılı olabilir.

Hız metriklerinde (tek model için 22.4ms'ye karşı topluluk için 39.5ms) gösterildiği gibi, temel ödünleşim artan çıkarım süresidir.

Model Birleştirme Ne Zaman Kullanılır?

Şu senaryolarda model birleştirmeyi kullanmayı düşün:

  • Doğruluğun çıkarım hızından daha önemli olduğu durumlarda
  • Yanlış negatiflerin en aza indirilmesi gereken kritik uygulamalar için
  • Değişken aydınlatma, tıkanıklık veya ölçek içeren zorlu görüntüleri işlerken
  • Maksimum performansın gerektiği yarışmalar veya kıyaslama testleri sırasında

Katı gecikme gereksinimleri olan gerçek zamanlı uygulamalar için tek model çıkarımı daha uygun olabilir.

Desteklenen Ortamlar

Ultralytics, projelerine hızlı bir başlangıç yapman için CUDA, CUDNN, Python ve PyTorch gibi temel bağımlılıkların önceden yüklü olduğu, kullanıma hazır çeşitli ortamlar sunar.

Proje Durumu

YOLOv5 CI

Bu rozet, tüm YOLOv5 GitHub Actions Sürekli Entegrasyon (CI) testlerinin başarıyla geçtiğini gösterir. Bu CI testleri, YOLOv5'in işlevselliğini ve performansını çeşitli temel açılardan titizlikle kontrol eder: eğitim, doğrulama, çıkarım, dışa aktarma ve kıyaslamalar. macOS, Windows ve Ubuntu üzerinde tutarlı ve güvenilir bir çalışma sağlarlar; testler her 24 saatte bir ve her yeni commit'te gerçekleştirilir.

Contributors
Sayfayı GitHub üzerinde düzenle (EN)
GLglenn-jocher15LALaughing-q2RIRizwanMunawar1

Yorumlar