yolov5-6.2增加了分类训练、验证、预测和导出（所有 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。
此次发布的主要目标是引入超级简单的 YOLOv5 分类工作流程，就像现有的目标检测模型一样。以下新的 v6.2 YOLOv5-cls 模型只是一个开始，作者将继续与现有的检测模型一起改进这些模型。
下一个版本 v6.3 计划于 9 月发布，将为 YOLOv5 带来官方实例分割支持，今年晚些时候将发布一个主要的 v7.0 版本，更新所有 3 个任务的架构——分类、检测和分割。
1、重要更新
分类模型：TensorFlow、Keras、TFLite、TF.js 模型导出现在使用 python export.py --include saved_model pb tflite tfjs 完全集成。
ClearML日志记录：与开源实验跟踪器 ClearML 集成。使用 pip install clearml 安装将启用集成并允许用户跟踪在 ClearML 中运行的每个训练。这反过来又允许用户跟踪和比较运行，甚至远程安排运行。
Deci.ai优化：一键自动编译和量化 YOLOv5 以获得更好的推理性能。
GPU导出基准：使用 python utils/benchmarks.py --weights yolov5s.pt --device 0 用于 GPU 基准测试或 --device cpu 用于 CPU 基准测试，对所有 YOLOv5 导出格式进行基准测试（mAP 和速度）。
训练可再现性：使用 torch>=1.12.0 的单 GPU YOLOv5 训练现在完全可再现，并且可以使用新的 --seed 参数（默认种子 = 0）。
Apple Metal Performance Shader (MPS) 支持：通过 --device mps 对 Apple M1/M2 设备的 MPS 支持（完整功能在 pytorch/pytorch#77764 中等待更新）。
2、分类模型与精度
使用 4×A100 在 ImageNet 上训练了 YOLOv5-cls 分类模型 90 个 epoch，并且训练了 ResNet 和 EfficientNet 模型以及相同的默认训练设置进行比较。将所有模型导出到 ONNX FP32 进行 CPU 速度测试，并将所有模型导出到 TensorRT FP16 进行 GPU 速度测试。在 Google Colab Pro 上进行了所有速度测试，以便轻松重现。
3、使用
YOLOv5 分类训练支持使用 --data 参数自动下载 MNIST、Fashion-MNIST、CIFAR10、CIFAR100、Imagenette、Imagewoof 和 ImageNet 数据集。例如，要开始在 MNIST 上进行训练，使用 --data mnist。
train
# Single-GPU python classify/train.py --model yolov5s-cls.pt --data cifar100 --epochs 5 --img 224 --batch 128 # Multi-GPU DDP python -m torch.distributed.run --nproc_per_node 4 --master_port 1 classify/train.py --model yolov5s-cls.pt --data imagenet --epochs 5 --img 224 --device 0,1,2,3
val
bash data/scripts/get_imagenet.sh --val # download ImageNet val split (6.3G, 50000 images) python classify/val.py --weights yolov5m-cls.pt --data ../datasets/imagenet --img 224 # validate
test
python classify/predict.py --weights yolov5s-cls.pt --data data/images/bus.jpg
4、构建形式
分类模型的构建依旧是YOLOv5的风格，加入了分类的head，这里点赞，不怕没有预训练权重了！
class ClassificationModel(BaseModel): # YOLOv5 classification model def __init__(self, cfg=None, model=None, nc=1000, cutoff=10): # yaml, model, number of classes, cutoff index super().__init__() self._from_detection_model(model, nc, cutoff) if model is not None else self._from_yaml(cfg) def _from_detection_model(self, model, nc=1000, cutoff=10): # Create a YOLOv5 classification model from a YOLOv5 detection model if isinstance(model, DetectMultiBackend): model = model.model # unwrap DetectMultiBackend model.model = model.model[:cutoff] # backbone m = model.model[-1] # last layer ch = m.conv.in_channels if hasattr(m, 'conv') else m.cv1.conv.in_channels # ch into module c = Classify(ch, nc) # Classify() c.i, c.f, c.type = m.i, m.f, 'models.common.Classify' # index, from, type model.model[-1] = c # replace self.model = model.model self.stride = model.stride self.save = [] self.nc = nc def _from_yaml(self, cfg): # Create a YOLOv5 classification model from a *.yaml file self.model = None
