YOLOv5发布v6.0版本，性能提升，新增多个特性！-轻识

点击下方“AI算法与图像处理”，一起进步！

重磅干货，第一时间送达

环境

ubuntu 18.04 64bit
GTX 1070Ti
anaconda with python 3.8
pytorch 1.7
cuda 10.1

前言

就在前天(2021年10月12日)，yolov5 发布了 V6.0 版本，这个新版本在 V5.0 的基础上集成了很多的新特性，而且在网络结构上也做了微调，引入了全新的更小( Nano )的模型 P5(YOLOv5n) 和 P6(YOLOv5n6)。Nano 模型保持了 yolov5s 模型的深度( depth )，宽度( width ) 则是从0.5降到了0.25，经过这个操作后，总参数减少了 75%，从 7.5M 缩小到了 1.9M，这样的话，就非常适合于移动端或者是 CPU 的环境。

在性能指标方面，V6.0 也有所提升，看下图

新特性

下面整理了 V6.0 新增的主要特性

整合了 Roboflow
roboflow 前面我们提过了，它公开了很多非常有用的数据集，在 v6.0 上可以直接使用他们的数据集，参考 https://github.com/ultralytics/yolov5/issues/4975，非常的方便
支持 tensorflow 和 keras模型的导出
使用 python export.py --include saved_model pb tflite tfjs 就可以完成 tensorFlow、keras、tflite 和 tf.js 模型的导出
同时支持 OpenCV DNN 和 ONNX Runtime
导出的 onnx 同时支持 opencv dnn 和 onnx runtime
```
python export --weights yolov5s.pt --include onnx --opset 12 --dynamic
```
在检测的时候也可以使用指定的 onnx， python detect.py --weights yolov5s.onnx --dnn
模型结构

用 Conv(k=6, s=2, p=2) 代替 Focus 层，主要是为了方便模型导出
使用 SPPF 代替 SPP 层
减少 P3 主干层 C3
将 SPPF 放在主干的后面
在最后一个 C3 主干层中重新引入快捷方式
更新超参数

增加了 Flask REST API
提供了 web api 的支持，远端测试非常方便，常见的开放平台都是这么做的

flask api实践

下载 V6.0 源码

git clone -b v6.0 https://github.com/ultralytics/yolov5.git
cd yolov5/utils/flask-rest-api

安装必要依赖并启动服务

pip install flask

# 通过参数port可以指定特定端口，如--port 8080
python restapi.py

脚本启动过程中会去下载 yolov5 的源码和 yolov5s.pt 模型文件，存放在 ~/.cache/torch/hub 下

(base) xugaoxiang@1070Ti:~/workshop/yolov5/data/images$ ls ~/.cache/torch/hub/ultralytics_yolov5_master/
CONTRIBUTING.md  detect.py   export.py   LICENSE  __pycache__  requirements.txt  tutorial.ipynb  val.py
data             Dockerfile  hubconf.py  models   README.md    train.py          utils           yolov5s.pt

这个下载的动作，默认情况下，在每次脚本执行时都会进行。可以通过修改 restapi.py 来使用现有版本

# 将force_reload，由原来的True改为False
model = torch.hub.load("ultralytics/yolov5", "yolov5s", force_reload=False)

服务启动后，我们来到客户端，使用 curl 命令进行测试

curl -X POST -F image=@zidane.jpg 'http://192.168.1.140:5000/v1/object-detection/yolov5s'

成功后，可以得到接口返回的结果

(base) xugaoxiang@1070Ti:~/workshop/yolov5/data/images$ curl -X POST -F image=@zidane.jpg 'http://192.168.1.140:5000/v1/object-detection/yolov5s'
[{"xmin":752.0,"ymin":46.0,"xmax":1148.0,"ymax":716.0,"confidence":0.875,"class":0,"name":"person"},{"xmin":100.0,"ymin":201.5,"xmax":1002.0,"ymax":718.5,"confidence":0.5795898438,"class":0,"name":"person"},{"xmin":438.25,"ymin":422.0,"xmax":509.75,"ymax":720.0,"confidence":0.5219726562,"class":27,"name":"tie"}]

或者

使用 postman 进行测试，使用的是 POST 请求，url 是 http://192.168.1.140

yolov5 v6.0

如果要使用 python 进行请求，项目中也给出了示例 example_request.py，使用的是 request 模块

努力分享优质的计算机视觉相关内容，欢迎关注：

交流群

欢迎加入公众号读者群一起和同行交流，目前有美颜、三维视觉、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群

个人微信（如果没有备注不拉群！）
请注明：地区+学校/企业+研究方向+昵称



下载1：何恺明顶会分享

在「AI算法与图像处理」公众号后台回复：何恺明，即可下载。总共有6份PDF，涉及 ResNet、Mask RCNN等经典工作的总结分析

下载2：终身受益的编程指南：Google编程风格指南

在「AI算法与图像处理」公众号后台回复：c++，即可下载。历经十年考验，最权威的编程规范！


下载3 CVPR2021

在「AI算法与图像处理」公众号后台回复：CVPR，即可下载1467篇CVPR 2020论文 和 CVPR 2021 最新论文