使用 Ultralytics YOLOv5 v6.2 简化分类工作流

YOLOv5 持续推动目标检测技术的发展。从全新的分类模型、训练可复现性和 Apple Metal Performance Shaders（MPS）支持，到与 ClearML 和 Deci 的集成，以下是 YOLOv5 v6.2 版本的更新内容。

Ultralytics YOLOv5 重要更新#

自 2022 年 2 月上次发布以来，我们一直在改进 YOLOv5。以下是最新 YOLOv5 v6.2 中最重要的更新：

• 分类模型：首次推出 Ultralytics YOLOv5-cls ImageNet 预训练图像分类模型。
• ClearML 日志记录：集成开源实验跟踪工具 ClearML。安装 pip install clearml 即可启用集成，让用户在 ClearML 中跟踪每次训练运行。这样，用户就能跟踪并比较训练运行，甚至远程安排训练运行。
• GPU 导出基准测试：使用 python utils/benchmarks.py --weights yolov5s.pt --device 0 测试所有 YOLOv5 导出格式的基准指标（mAP 和速度），以运行 GPU 基准测试；使用 --device cpu 运行 CPU 基准测试。
• 训练可复现性：现在可以使用 torch>=1.12.0 完全复现单 GPU 上的 Ultralytics YOLOv5 训练，并可使用新参数 --seed（默认值为 seed=0）。
• Apple Metal Performance Shader（MPS）支持：通过 --device mps 支持 Apple M1/M2 设备（完整功能仍需等待 torch 在 pytorch/pytorch#77764 中的更新）。

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。新的 v6.2 YOLOv5-cls 模型只是一个起点；今后我们会继续改进这些模型，并同步完善现有检测模型。欢迎为这项工作贡献力量：欢迎参与贡献！

自 2022 年 2 月上次发布以来，本次版本整合了 41 位贡献者提交的 401 个 PR。它新增了分类训练、验证、预测和导出（支持全部 11 种格式），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 Ultralytics YOLOv5-cls 分类模型，共训练 90 个周期；同时使用相同的默认训练设置训练了 ResNet 和 EfficientNet 模型进行比较。我们将所有模型导出为 ONNX FP32 格式进行 CPU 速度测试，并导出为 TensorRT FP16 格式进行 GPU 速度测试。为了便于复现，我们在 Google Colab Pro 上运行了所有速度测试。

Ultralytics 接下来会做什么？#

下一版本 v6.3 计划于 2022 年 9 月发布，将为 Ultralytics YOLOv5 正式加入实例分割支持；今年晚些时候还将发布重要的 v7.0 版本，更新全部 3 项任务——检测、分割和分类——所用的架构。（实例分割最终在 YOLOv5 v7.0 中推出。）

访问我们的 YOLOv5 开源 GitHub 代码库，了解最新动态并进一步了解此版本。