使用 Ultralytics YOLOv5 v6.2 简化分类工作流程

YOLOv5 正在将目标检测技术推向新的高度！从新的分类模型、训练可重复性、Apple Metal Performance Shader (MPS) 支持，到与 ClearML 和 Deci 的集成，我们向您展示新的 YOLOv5 v6.2 版本。

重要的 YOLOv5 更新

自 2022 年 2 月上次发布以来，我们一直在努力改进您最喜欢的 YOLO 视觉 AI 架构。以下是最新 YOLOv5 v6.2 中最重要的更新：

• 分类模型: YOLOv5-cls ImageNet 预训练分类模型现已首次推出。
  ‍
• ClearML 日志记录: 与开源实验跟踪器 ClearML 集成。使用 pip install clearml 安装将启用集成，并允许用户跟踪 ClearML 中的每次训练运行。反过来，这允许用户跟踪和比较运行，甚至远程安排运行。
  ‍
• GPU导出基准测试： 使用 python utils/benchmarks.py --weights yolov5s.pt --device 0 进行 GPU 基准测试，或使用 --device CPU 进行 CPU 基准测试，来对所有 YOLOv5 导出格式进行基准测试（mAP 和速度）。
  ‍
• 训练可重复性: 现在，torch>=1.12.0 的单 GPU YOLOv5 训练是完全可重复的，并且可以使用新的 --seed 参数（默认 seed=0）。
  ‍
• Apple Metal Performance Shader (MPS) 支持： 通过 --device mps 为 Apple M1/M2 设备提供 MPS 支持（完整功能有待 torch 在 pytorch/pytorch#77764 中的更新）。

新的分类模型

我们此次发布的主要目标是引入简单的 YOLOv5 分类工作流程，就像我们现有的目标检测模型一样。新的 v6.2 YOLOv5-cls 模型只是一个开始，我们将继续改进这些模型以及我们现有的检测模型。我们欢迎您为这项工作做出贡献！

自 2022 年 2 月上次发布以来，此版本合并了 41 位贡献者的 401 个 PR。它增加了 分类训练、验证、预测和导出（到所有 11 种格式），并且还提供了 ImageNet 预训练的 YOLOv5m-cls、ResNet（18、34、50、101）和 EfficientNet（b0-b3）模型。

我们使用 4xA100 实例在 ImageNet 上训练了 YOLOv5-cls 分类模型 90 个 epoch，并且我们使用相同的默认训练设置训练了 ResNet 和 EfficientNet 模型以进行比较。我们将所有模型导出到 ONNX FP32 以进行 CPU 速度测试，并导出到 TensorRT FP16 以进行 GPU 速度测试。我们在 Google Colab Pro 上运行了所有速度测试，以便于重现。  

Ultralytics 的下一步是什么？

我们计划于2022年9月发布下一个版本v6.3，它将为YOLOv5带来官方的实例分割支持，并在今年晚些时候发布重要的v7.0版本，该版本将更新所有3个任务（分类、检测和分割）的架构。

访问我们的 YOLOv5 开源 GitHub 存储库，以随时了解最新信息并了解有关此版本的更多信息。