導(dǎo)讀 YOLOv5是目前Yolo系列應(yīng)用非常廣的算法，迭代了很多版本，目前已升級(jí)到V6.2版本，從原本訓(xùn)練目標(biāo)檢測(cè)，到也可訓(xùn)練分類(lèi)模型，整個(gè)算法生態(tài)越來(lái)越完善，通過(guò)本文的梳理，希望對(duì)大家學(xué)習(xí)有幫助。

yolov5-6.2增加了分類(lèi)訓(xùn)練、驗(yàn)證、預(yù)測(cè)和導(dǎo)出（所有 11 種格式），還提供了 ImageNet 預(yù)訓(xùn)練的 YOLOv5m-cls、ResNet（18、34、50、101) 和 EfficientNet (b0-b3) 模型。

此次發(fā)布的主要目標(biāo)是引入超級(jí)簡(jiǎn)單的 YOLOv5 分類(lèi)工作流程，就像現(xiàn)有的目標(biāo)檢測(cè)模型一樣。以下新的 v6.2 YOLOv5-cls 模型只是一個(gè)開(kāi)始，作者將繼續(xù)與現(xiàn)有的檢測(cè)模型一起改進(jìn)這些模型。

下一個(gè)版本 v6.3 計(jì)劃于 9 月發(fā)布，將為 YOLOv5 帶來(lái)官方實(shí)例分割支持，今年晚些時(shí)候?qū)l(fā)布一個(gè)主要的 v7.0 版本，更新所有 3 個(gè)任務(wù)的架構(gòu)——分類(lèi)、檢測(cè)和分割。

1、重要更新

分類(lèi)模型：TensorFlow、Keras、TFLite、TF.js 模型導(dǎo)出現(xiàn)在使用python export.py --include saved_model pb tflite tfjs完全集成。

ClearML日志記錄：與開(kāi)源實(shí)驗(yàn)跟蹤器 ClearML 集成。使用 pip install clearml 安裝將啟用集成并允許用戶(hù)跟蹤在 ClearML 中運(yùn)行的每個(gè)訓(xùn)練。這反過(guò)來(lái)又允許用戶(hù)跟蹤和比較運(yùn)行，甚至遠(yuǎn)程安排運(yùn)行。

Deci.ai優(yōu)化：一鍵自動(dòng)編譯和量化 YOLOv5 以獲得更好的推理性能。

GPU導(dǎo)出基準(zhǔn)：使用 python utils/benchmarks.py --weights yolov5s.pt --device 0 用于 GPU 基準(zhǔn)測(cè)試或 --device cpu 用于 CPU 基準(zhǔn)測(cè)試，對(duì)所有 YOLOv5 導(dǎo)出格式進(jìn)行基準(zhǔn)測(cè)試（mAP 和速度）。

訓(xùn)練可再現(xiàn)性：使用 torch>=1.12.0 的單 GPU YOLOv5 訓(xùn)練現(xiàn)在完全可再現(xiàn)，并且可以使用新的 --seed 參數(shù)（默認(rèn)種子 = 0）。

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

2、分類(lèi)模型與精度

使用 4×A100 在 ImageNet 上訓(xùn)練了 YOLOv5-cls 分類(lèi)模型 90 個(gè) epoch，并且訓(xùn)練了 ResNet 和 EfficientNet 模型以及相同的默認(rèn)訓(xùn)練設(shè)置進(jìn)行比較。將所有模型導(dǎo)出到 ONNX FP32 進(jìn)行 CPU 速度測(cè)試，并將所有模型導(dǎo)出到 TensorRT FP16 進(jìn)行 GPU 速度測(cè)試。在 Google Colab Pro 上進(jìn)行了所有速度測(cè)試，以便輕松重現(xiàn)。

?

3、使用

YOLOv5 分類(lèi)訓(xùn)練支持使用 --data 參數(shù)自動(dòng)下載 MNIST、Fashion-MNIST、CIFAR10、CIFAR100、Imagenette、Imagewoof 和 ImageNet 數(shù)據(jù)集。例如，要開(kāi)始在 MNIST 上進(jìn)行訓(xùn)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(gòu)建形式

分類(lèi)模型的構(gòu)建依舊是YOLOv5的風(fēng)格，加入了分類(lèi)的head，這里點(diǎn)贊，不怕沒(méi)有預(yù)訓(xùn)練權(quán)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