Hugging Face （BERT）で回帰（Regression）
tadanori
Aru's テクログ（Aruaru0）
YOLOv5を使った独自データの学習と推論を実践｜ultralyticsの新リポジトリを利用
tadanori
ultralytics社の新しいリポジトリ(2023年）は、YOLOv3/YOLOv5/YOLOv6/YOLOv8をサポートしています。この記事では、ultralyticsのリポジトリで、YOLOv5モデルを使ってカスタムデータ（オリジナルデータ）の学習・推論させる方法を解説します。
Contents
ultralytics社のYOLOモデル
YOLOv5はultralytics社の作成したYOLOモデルです。2023年にYOLOv8が登場して、そちらのリポジトリでもYOLOv5がサポートされる形になっています。
ultralytics社のモデルは、YOLOv8モデルからYOLOv5モデルに簡単にモデルを切り替えられるように設計されています。
これを確認するために、今回はYOLOv8で作成した学習コードをYOLOv5に置き換えて学習させてみました。
YOLOv5モデルの独自の学習済みデータを活用したい場合などは、YOLOv5の学習済みモデルを（おそらくそのままま）使うことが可能です。
ベースとするYOLOv8の学習コードについて
ベースとするコードは、以下の記事のものになります。この記事では、car object detectionのデータセットを使ってカスタムデータへの学習を行っています。
ここでは、このコードをYOLOv5向けに修正します。
ベースとするコードの記事
YOLO v8/YOLO v9で物体検出｜独自（カスタム）データの学習と推論を実践
コードは上の記事を参考にしてください。
また、今回のコードはkaggle notebookで公開していますのでそちらも合わせて確認ください。
YOLOv8→YOLOv5の変更
ここでは、YOLOv8からYOLOv5へモデルを変更するのに、ultralytics社の公式のリポジトリを利用します。公式リポジトリは以下のURLです。
公式Githubリポジトリ：https://github.com/ultralytics/ultralytics/
書き換えは１行だけ
書き換えるのは以下の１行だけです。
具体的な書き換えはYOLO('yolov8n.pt')をYOLO('yolov5n.pt')に変更するだけです。
これでモデルがYOLOv8からYOLOv5になります。
学習済みモデルとしては、yolov5n, yolov5s, yolov5m, yolov5l, yolov5x, yolov5n6, yolov5s6, yolov5m6, yolov5l6, yolov5x6を選択することができます。
model = YOLO('yolov5n.pt')
model.train(data="dataset.yaml", epochs=100, batch=8)事前学習モデルを利用しない場合は、YOLO('yolov5n.yaml')のようにyamlファイルを指定して生成します。独自モデルの場合は、YOLO(独自モデルファイルへのパス）という形式で呼び出します。
実行結果
YOLOv8
Model summary (fused): 168 layers, 3005843 parameters, 0 gradients
Class Images Instances Box(P R mAP50 mAP50-95):
all 71 100 0.98 0.979 0.99 0.711
Speed: 2.2ms preprocess, 2.9ms inference, 0.0ms loss, 1.9ms postprocess per image
YOLOv5
YOLOv5n summary (fused): 193 layers, 2503139 parameters, 0 gradients, 7.1 GFLOPs
Class Images Instances Box(P R mAP50 mAP50-95):
all 71 117 0.966 0.969 0.99 0.704
Speed: 0.8ms preprocess, 1.2ms inference, 0.0ms loss, 1.4ms postprocess per image
比較
ｍAP50-95で比較すると、YOLOv8が0.711, YOLOv5が0.704と、精度面では新しいモデルのYOLOv8の方が上のようです。
ただ、速度面（Speed）で見ると、YOLOv5の方が軽そうです。YOLOv5もそれなりの性能があるので、速度面からYOLOv5を選択することもあるかもしれません。
少し気になるのは、上のグラフのmetrics/precision(B)とval/dfl_lossの動きで、YOLOv8に比べて安定していない感じがします。
特別な理由がなければ、YOLOv8を使った方がよいと思います
YOLOv5以外への変更について
公式のGithubのultralytics/cfg/modelsに、利用できるモデルの設定ファイルが格納されています。これを見るとYOLOv3/YOLOv5/YOLOv6/YOLOv8のモデルが利用できるようです。
まとめ
以上、ultralyticsのモデルをつかってYOLOv8からYOLOv5に切り替える方法について説明しました。
おすすめ書籍
リンク
