利用YOLOv5 v6.2 简化分类工作流程

YOLOv5正在将物体检测技术推向新的高度！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。

重要YOLOv5 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： YOLOv5-cls ImageNet 预训练分类模型现已首次推出。
• ClearML 记录：与开源实验跟踪器集成 ClearML.使用 pip installclearml 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 --deviceCPU （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 进行的单次GPU YOLOv5 训练现在完全可以重现，而且可以使用新的 --seed 参数（默认 seed=0）。
• 支持 Apple Metal Performance Shader (MPS)： MPS ，通过 --devicemps 支持 Apple M1/M2 设备（全部功能有待torch 更新pytorch/ pytorch#77764）。

新的分类模式

我们此次发布的主要目标是引入简单的YOLOv5 分类工作流，就像我们现有的对象检测模型一样。新的 v6.2YOLOv5-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 以进行CPU 速度测试，并导出到TensorRT FP16 以进行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YOLOv5 带来正式的实例分割支持，今年晚些时候发布的重要版本 v7.0 将更新所有 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，了解有关此版本的更多信息。