使用 Ultralytics YOLOv5 v6.2 简化分类工作流

YOLOv5 正在将目标检测的技术水平推向新高度！从全新的分类模型、训练可复现性和 Apple 金属性能着色器（MPS）支持，到与 ClearML 和 Deci 的集成，我们为你带来了全新的 YOLOv5 v6.2 版本。

Ultralytics YOLOv5 重要更新#

自 2022 年 2 月的最新版本以来，我们一直致力于改进你喜爱的 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：**Ultralytics YOLOv5-cls ImageNet 预训练分类模型现已首次推出。
• **ClearML 日志记录：**现已集成开源实验跟踪器 ClearML。使用 pip install clearml 安装即可启用该集成，让用户能够在 ClearML 中跟踪每次训练运行。这也使用户能够跟踪和比较各次运行，甚至远程安排运行任务。
• **GPU 导出基准测试：**使用 python utils/benchmarks.py --weights yolov5s.pt --device 0 对所有 YOLOv5 导出格式进行基准测试（mAP 和速度），或使用 --device CPU 进行 CPU 基准测试。
• **训练可复现性：**现在，使用 torch>=1.12.0 进行单 GPU Ultralytics YOLOv5 训练已完全可复现，并且可以使用新的 --seed 参数（默认 seed=0）。
• **Apple 金属性能着色器（MPS）支持：**通过 --device mps 支持 Apple M1/M2 设备上的 MPS（完整功能仍在等待 pytorch/pytorch#77764 中的 torch 更新）。

全新的分类模型#

本次发布的主要目标是推出简单易用的 YOLOv5 分类工作流，就像我们现有的目标检测模型一样。全新的 v6.2 YOLOv5-cls 模型只是一个起点，未来我们将继续改进这些模型，并与现有的检测模型一同发展。我们非常期待你为这项工作提供贡献！

自 2022 年 2 月上次发布以来，本次版本合并了来自 41 位贡献者的 401 个 PR。它新增了分类训练、验证、预测和导出功能（支持全部 11 种格式），同时还提供 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 90 个 epoch 的 Ultralytics YOLOv5-cls 分类模型，同时使用相同的默认训练设置训练了 ResNet 和 EfficientNet 模型，以便进行比较。我们将所有模型导出为 ONNX FP32，用于 CPU 速度测试，并导出为 TensorRT FP16，用于 GPU 速度测试。我们在 Google Colab Pro 上运行了所有速度测试，以便轻松复现。

Ultralytics 接下来有什么计划？#

我们的下一版本 v6.3 计划于 2022 年 9 月发布，将为 Ultralytics YOLOv5 带来官方实例分割支持；今年晚些时候发布的重大 v7.0 版本则会更新全部 3 项任务的架构——分类、检测和分割。

访问我们的 YOLOv5 开源 GitHub 仓库，及时了解最新动态，并详细了解本次发布。