使用 Ultralytics YOLOv5 v6.2 简化分类工作流

YOLOv5 正在将目标检测技术的先进水平推向新高度！从全新的分类模型、训练可重复性到 Apple Metal Performance Shader (MPS) 支持，再到与 ClearML 和 Deci 的集成，我们为你带来了全新的 YOLOv5 v6.2 版本。

Link to this section重要的 YOLOv5 更新#

自 2022 年 2 月我们发布最新版本以来，我们一直致力于改进你所喜爱的 YOLO 视觉 AI 架构。以下是 YOLOv5 v6.2 最新版本中最重要的更新：

• 分类模型： YOLOv5-cls ImageNet 预训练分类模型现已首次发布。
• ClearML 日志记录： 与开源实验追踪器 ClearML 的集成。通过 pip install clearml 进行安装即可启用集成，并允许用户追踪 ClearML 中的每一次训练运行。这反过来使用户能够追踪和比较运行情况，甚至进行远程调度。
• 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）。
• 训练可重复性： 使用 torch>=1.12.0 进行的单 GPU YOLOv5 训练现在完全可复现，并且可以使用新的 --seed 参数（默认 seed=0）。
• Apple Metal Performance Shader (MPS) 支持： 针对 Apple M1/M2 设备的 MPS 支持，使用 --device mps（完整功能尚待 pytorch/pytorch#77764 中的 torch 更新）。

Link to this section全新的分类模型#

此版本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。全新的 v6.2 YOLOv5-cls 模型仅仅是一个开始，我们将继续改进这些模型，并与现有的检测模型共同发展。我们非常期待你对这一工作所作出的贡献！

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

我们在 ImageNet 上使用 4xA100 实例对 YOLOv5-cls 分类模型进行了 90 个 epoch 的训练，并同时使用相同的默认训练设置对 ResNet 和 EfficientNet 模型进行了训练以进行对比。我们将所有模型导出为 ONNX FP32 以进行 CPU 速度测试，并导出为 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，以方便实现可重复性。

Link to this sectionUltralytics 的下一步计划是什么？#

我们的下一个版本 v6.3 定于 2022 年 9 月发布，将为 YOLOv5 带来官方实例分割支持，并将在今年晚些时候发布重大的 v7.0 版本，更新所有 3 项任务（分类、检测和分割）的架构。

访问我们的 YOLOv5 开源 GitHub 仓库以获取最新动态，并了解有关此版本的更多信息。