導讀 YOLOv5是目前Yolo系列應用非常廣的算法，迭代了很多版本，目前已升級到V6.2版本，從原本訓練目標檢測，到也可訓練分類模型，整個算法生態越來越完善，通過本文的梳理，希望對大家學習有幫助。

yolov5-6.2增加了分類訓練、驗證、預測和導出（所有 11 種格式），還提供了 ImageNet 預訓練的 YOLOv5m-cls、ResNet（18、34、50、101) 和 EfficientNet (b0-b3) 模型。

此次發布的主要目標是引入超級簡單的 YOLOv5 分類工作流程，就像現有的目標檢測模型一樣。以下新的 v6.2 YOLOv5-cls 模型只是一個開始，作者將繼續與現有的檢測模型一起改進這些模型。

下一個版本 v6.3 計劃于 9 月發布，將為 YOLOv5 帶來官方實例分割支持，今年晚些時候將發布一個主要的 v7.0 版本，更新所有 3 個任務的架構——分類、檢測和分割。

1、重要更新

分類模型：TensorFlow、Keras、TFLite、TF.js 模型導出現在使用python export.py --include saved_model pb tflite tfjs完全集成。

ClearML日志記錄：與開源實驗跟蹤器 ClearML 集成。使用 pip install clearml 安裝將啟用集成并允許用戶跟蹤在 ClearML 中運行的每個訓練。這反過來又允許用戶跟蹤和比較運行，甚至遠程安排運行。

Deci.ai優化：一鍵自動編譯和量化 YOLOv5 以獲得更好的推理性能。

GPU導出基準：使用 python utils/benchmarks.py --weights yolov5s.pt --device 0 用于 GPU 基準測試或 --device cpu 用于 CPU 基準測試，對所有 YOLOv5 導出格式進行基準測試（mAP 和速度）。

訓練可再現性：使用 torch>=1.12.0 的單 GPU YOLOv5 訓練現在完全可再現，并且可以使用新的 --seed 參數（默認種子 = 0）。

Apple Metal Performance Shader (MPS) 支持：通過 --device mps 對 Apple M1/M2 設備的 MPS 支持（完整功能在 pytorch/pytorch#77764 中等待更新）。

2、分類模型與精度

使用 4×A100 在 ImageNet 上訓練了 YOLOv5-cls 分類模型 90 個 epoch，并且訓練了 ResNet 和 EfficientNet 模型以及相同的默認訓練設置進行比較。將所有模型導出到 ONNX FP32 進行 CPU 速度測試，并將所有模型導出到 TensorRT FP16 進行 GPU 速度測試。在 Google Colab Pro 上進行了所有速度測試，以便輕松重現。

?

3、使用

YOLOv5 分類訓練支持使用 --data 參數自動下載 MNIST、Fashion-MNIST、CIFAR10、CIFAR100、Imagenette、Imagewoof 和 ImageNet 數據集。例如，要開始在 MNIST 上進行訓練，使用 --data mnist。

train

#Single-GPU
pythonclassify/train.py--modelyolov5s-cls.pt--datacifar100--epochs5--img224--batch128

#Multi-GPUDDP
python-mtorch.distributed.run--nproc_per_node4--master_port1classify/train.py--modelyolov5s-cls.pt--dataimagenet--epochs5--img224--device0,1,2,3

val

bashdata/scripts/get_imagenet.sh--val#downloadImageNetvalsplit(6.3G,50000images)
pythonclassify/val.py--weightsyolov5m-cls.pt--data../datasets/imagenet--img224#validate

test

pythonclassify/predict.py--weightsyolov5s-cls.pt--datadata/images/bus.jpg

4、構建形式

分類模型的構建依舊是YOLOv5的風格，加入了分類的head，這里點贊，不怕沒有預訓練權重了！

classClassificationModel(BaseModel):
#YOLOv5classificationmodel
def__init__(self,cfg=None,model=None,nc=1000,cutoff=10):#yaml,model,numberofclasses,cutoffindex
super().__init__()
self._from_detection_model(model,nc,cutoff)ifmodelisnotNoneelseself._from_yaml(cfg)

def_from_detection_model(self,model,nc=1000,cutoff=10):
#CreateaYOLOv5classificationmodelfromaYOLOv5detectionmodel
ifisinstance(model,DetectMultiBackend):
model=model.model#unwrapDetectMultiBackend
model.model=model.model[:cutoff]#backbone
m=model.model[-1]#lastlayer
ch=m.conv.in_channelsifhasattr(m,'conv')elsem.cv1.conv.in_channels#chintomodule
c=Classify(ch,nc)#Classify()
c.i,c.f,c.type=m.i,m.f,'models.common.Classify'#index,from,type
model.model[-1]=c#replace
self.model=model.model
self.stride=model.stride
self.save=[]
self.nc=nc

def_from_yaml(self,cfg):
#CreateaYOLOv5classificationmodelfroma*.yamlfile
self.model=None