前言 前段时间，YOLOv5推出7.0版本，主要更新点是在目标检测的同时引入了实例分割。 目前，YOLOv5团队已经转向了YOLOv8的更新，因此，7.0版本大概率是YOLOv5的最终稳定版。

更新信息 官方公告中给出了YOLOv5-7.0的更新要点：

推出了基于coco-seg的实例分割预训练模型

Yolov5-seg的变动

仔细对比yolov5的目标检测与分类的代码框架，主要的改动点在以下几个方面：

1. 训练、测试、验证等的代码入口；

2. 数据加载和预处理；

3. 网络变动；

4. loss的变动；

5. 评价指标。

下载预训练模型

官方仓库有不同模型大小的预训练模型，这里以yolov5m-seg为例。 下载链接：https://github.com/ultralytics/yolov5/releases/download/v7.0/yolov5m-seg.pt

数据集的文件结构如下：

screen-seg

images

train2017

labels

train2017

其中第一个为类别标签，后面的两个为一组，即(x1,y1)，(x2,y2)…意为一个个点，这些点连线即为所框选的实例。

模型训练

下面以coco128-seg数据集训练为例，首先修改screen-seg.yaml配置文件，修改相应路径：

path: screen-seg

train: images/train2017

val: images/train2017

之后终端运行：

数据集制作：

github地址：https://github.com/vietanhdev/anylabeling

编辑

在 YOLO 和 Segment Anything 的 AI 支持下轻松进行数据标记！

AnyLabeling = LabelImg + Labelme + Improved UI + Auto-labeling

任何标签 = 标签Img + 标签我 + 改进的用户界面 + 自动标签

油管演示：https://www.youtube.com/watch?v=xLVz-f6OeUY

文档：https://anylabeling.com

安装和运行

下载并运行可执行文件

从版本下载并运行最新版本。

创建环境：

安装anylabeling：

使用教程：

shapes：保存着bbox的类别和坐标（左上角，右下角）；

imagePath：json文件对应的原图名称；

imageHeight：原图的高度；

imageWidth：原图的宽度；

我们现在要将json文件中的标注信息提取到txt文件中，代码实现如下：

生成的txt文件如下图所示，格式包括（类别索引，x，y，w，h）