使用 Ultralytics YOLOv5 v6.2 简化分类工作流

YOLOv5 正在将目标检测的技术边界推向新的高度！从全新的分类模型、训练可复现性、Apple Metal Performance Shader (MPS) 支持，到与 ClearML 和 Deci 的集成，我们向你隆重推出全新的 YOLOv5 v6.2 版本。

重要的 Ultralytics YOLOv5 更新#

自 2022 年 2 月的上一版本发布以来，我们一直在致力于改进你喜爱的 YOLO Vision AI 架构。以下是 YOLOv5 v6.2 中最重要的更新：

• **分类模型：**Ultralytics YOLOv5-cls 经 ImageNet 预训练的分类模型现已首次推出。
• ClearML 日志记录： 集成了开源实验跟踪器 ClearML。通过 pip install clearml 进行安装将启用此集成，并允许你在 ClearML 中跟踪每次训练运行。这反过来又使你能够跟踪和比较运行情况，甚至远程调度运行。
• 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，从而对所有 YOLOv5 导出格式进行基准测试（mAP 和速度）。
• **训练可复现性：**使用 torch>=1.12.0 的单 GPU Ultralytics YOLOv5 训练现已完全可复现，并且可以使用新的 --seed 参数（默认 seed=0）。
• **Apple Metal Performance Shader (MPS) 支持：**为配备 Apple M1/M2 设备的 --device mps 提供 MPS 支持（完整功能有待 pytorch/pytorch#77764 中的 torch 更新）。

全新的分类模型#

我们此版本的主要目标是引入简单的 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 模型只是一个开始，我们将继续与现有的检测模型一起改进这些模型。我们非常欢迎你为这项工作提供贡献！

自 2022 年 2 月上一次发布以来，此版本合并了来自 41 位贡献者的 401 个 PR。它添加了分类训练、验证、预测和导出（支持所有 11 种格式），并提供了在 ImageNet 上预训练的 YOLOv5m-cls、ResNet (18, 34, 50, 101) 和 EfficientNet (b0-b3) 模型。

我们在 4xA100 实例上使用 ImageNet 训练了 Ultralytics YOLOv5-cls 分类模型 90 个 epochs，并使用相同的默认训练设置同时训练了 ResNet 和 EfficientNet 模型来进行对比。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确保易于复现。

Ultralytics 的下一步计划是什么？#

我们的下一个版本 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，而今年晚些时候将发布重大的 v7.0 版本，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 仓库以保持关注，并了解有关此版本的更多信息。