ailia Tech BLOG
YOLOv5 : 物体検出の最新モデル
ailia SDKで使用できる機械学習モデルである「YOLOv5」のご紹介です。エッジ向け推論フレームワークであるailia SDKとailia MODELSに公開されている機械学習モデルを使用することで、簡単にAIの機能をアプリケーションに実装することができます。
YOLOv5の概要
YOLOv5は、YOLOv3のPytorchバージョンを開発していたultralyticsが開発した、最新の物体検出モデルです。2020年6月に公開されました。
YOLOv5の種類
YOLOv5は、検出精度と演算負荷に応じてs、m、l、xまでの4モデルがあります。各モデルの性能は下記となります。
出典：https://github.com/ultralytics/yolov5
YOLOv5 sモデルが17GFlopsでmAP 55.6です。
出典：https://github.com/ultralytics/yolov5
YOLOv3–416は65.86GFlopsでmAP 55.3です。
出典：https://pjreddie.com/darknet/yolo/
これより、YOLOv5 sモデルは、YOLOv3–416と同等の精度を、約1/4の演算量で達成しています。
YOLOv5の出力
640x640の画像を入力した場合、下記の3つのテンソルが出力されます。
(1, 3, 80, 80, 85) # anchor 0
(1, 3, 40, 40, 85) # anchor 1
(1, 3, 20, 20, 85) # anchor 2
出力の内訳は、[cx, cy, w, h, conf, pred_cls(80)]となります。
Pytorchから使用する
PytorchからYOLOv5を使用するには、下記のコマンドを使用します。モデルファイルは自動的にダウンロードされます。
python detect.py --source in.mp4
YOLOv5のONNXへのエクスポート
YOLOv5をONNXにエクスポートするには、下記のコマンドを使用します。
python3 models/export.py --weights yolov5s.pt --img 640 --batch 1
python3 models/export.py --weights yolov5m.pt --img 640 --batch 1
python3 models/export.py --weights yolov5l.pt --img 640 --batch 1
--img-sizeオプションでheight, width順で個別に認識解像度を指定することもできます。
python3 models/export.py — weights yolov5m.pt --img-size 640 1280 — batch 1
YOLOv3との認識精度と推論速度の比較
YOLOv3とYOLOv5の認識精度と推論速度の比較です。推論速度はMacBook Pro 13を使用してIntel Core i5 2.3GHzで測定しています。conf_thres=0.25,は、nms_thres=0.45です。
評価結果は下記です。主観評価でも、YOLOv5のsモデルを使用することで、YOLOv3のfullモデルに近い性能を、1/4以下の演算量で達成することができています。
YOLOv3 tiny (640x640)（48ms）
YOLOv4 tiny(640x640) (59ms)
YOLOv5 s(640x640)（98ms）
YOLOv3 (640x640)（477ms）
YOLOv4 (640x640) (653ms)
YOLOv5 m (640x640)（229ms）
YOLOv5 l (640x640)（438ms）
ailia SDKからの利用
ailia SDKから利用するには、下記のコマンドを使用します。
python3 yolov5.py -v input.mp4
実行例です。
アイリア株式会社はAIを実用化する会社として、クロスプラットフォームでGPUを使用した高速な推論を行うことができるailia SDKを開発しています。アイリア株式会社ではコンサルティングからモデル作成、SDKの提供、AIを利用したアプリ・システム開発、サポートまで、 AIに関するトータルソリューションを提供していますのでお気軽にお問い合わせください。