利用 Ultralytics YOLOv5 v6.2 简化分类工作流程

YOLOv5将物体检测技术推向了新的高度！从新的分类模型、训练重现性和 Apple Metal Performance Shader (MPS) 支持，到与 ClearML 和 Deci 的集成，我们向您介绍全新的 YOLOv5 v6.2 版本。

YOLOv5 重要更新

自 2022 年 2 月发布最新版本以来，我们一直在努力改进您最喜爱的 YOLO Vision AI 架构。这些是最新 YOLOv5 v6.2 中最重要的更新：

• 分类模型：
  ‍
• ClearML 日志：与开源实验跟踪器ClearML 集成。使用 pip install clearml 进行安装将启用集成，并允许用户在 ClearML 中跟踪每次训练运行。这反过来又允许用户跟踪和比较运行，甚至远程安排运行。
  ‍
• GPU 导出基准：使用 python utils/benchmarks.py --weights yolov5s.pt --device 0（用于 GPU 基准）或 --device CPU（用于 CPU 基准）对所有 YOLOv5 导出格式进行基准测试（mAP 和速度）。
  ‍
• 训练重现性：使用 torch>=1.12.0 进行的单 GPU YOLOv5 训练现在可完全重现，并可使用新的 --seed 参数（默认 seed=0）。
  ‍
• 支持 Apple Metal Performance Shader (MPS)：使用 --device mps 为苹果 M1/M2 设备提供 MPS 支持（全部功能有待pytorch/pytorch#77764 中的火炬更新）。

新的分类模式

我们发布此版本的主要目的是引入简单的 YOLOv5 分类工作流程，就像我们现有的物体检测模型一样。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和现有的检测模型。我们希望您能为此做出贡献！

自 2022 年 2 月发布上一版本以来，本版本共纳入了来自 41 位贡献者的 401 条 PR。它增加了分类训练、验证、预测和导出（全部 11 种格式），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 上对 YOLOv5-cls 分类模型进行了 90 次训练，并使用相同的默认训练设置同时训练了 ResNet 和 EfficientNet 模型，以进行比较。我们将所有模型导出到 ONNX FP32 进行 CPU 速度测试，并导出到 TensorRT FP16 进行 GPU 速度测试。我们在Google Colab Pro上进行了所有速度测试，以方便重现。  

Ultralytics 的下一步是什么？

我们的下一个版本 v6.3 计划于 2022 年 9 月发布，将为 YOLOv5 提供官方实例分割支持，今年晚些时候将发布重要的 v7.0 版本，更新所有 3 项任务（分类、检测和分割）的架构。

请访问我们的 YOLOv5 开源 GitHub 代码库，了解最新信息和有关此版本的更多信息。