环境
- windows 10 64bit
- python 3.8.11
- torch-1.7.1 + cu101
前言
北京时间8月17日晚上，YOLOv5 官方发布了 v6.2 版本，相比 v6.1 ，此次的更新，加入了分类的训练、验证、推理和其它模型格式的导出，分别提供了基于 ImageNet 预训练模型的 YOLOv5m-cls、ResNet18、ResNet34、ResNet50、ResNet101系列和 EfficientNet (b0、b1、b2、b3) 的模型，分类的工作流与原有的目标检测工作流保持一致，这可以大大减少学习的成本。
更新
这里也将一些重要的更新点罗列一下
- 分类模型的导出，完美支持
tensorflow、keras、tflite、tf.js，使用python export.py --include saved_model pb tflite tfjs - 整合了
ClearML，它是一个机器学习的套件，官网地址：https://clear.ml/ - 整合了
deci.ai，它是一个模型优化的工具，使用非常简单有效，官网地址：https://deci.ai/ utils/benchmarks.py脚本支持GPU输出性能参数torch版本大于 1.12.0环境下的单卡训练，增加了参数--seed- 苹果笔记本
M1、M2的MPS(Metal Performance Shader)支持，--device mps
实践
从链接 https://github.com/ultralytics/yolov5/archive/refs/tags/v6.2.zip 下载源码，然后解压并进入源码目录
从 https://github.com/ultralytics/yolov5/releases/download/v6.2/yolov5s-cls.pt 下载分类模型，放入源码目录下
(pytorch1.7) PS D:\Github\yolov5-6.2> python classify/predict.py --weights yolov5s-cls.pt --source data/images/bus.jpg
classify\predict: weights=['yolov5s-cls.pt'], source=data/images/bus.jpg, imgsz=224, device=, half=False, dnn=False, project=runs\predict-cls, name=exp, exist_ok=False
YOLOv5 2022-8-17 Python-3.8.11 torch-1.7.1+cu101 CUDA:0 (NVIDIA GeForce GTX 1660, 6144MiB)
Fusing layers...
Model summary: 117 layers, 5447688 parameters, 0 gradients, 11.4 GFLOPs
image 1/1 data/images/bus.jpg: 224x224 minibus 0.44, police van 0.20, amphibious vehicle 0.04, trolleybus 0.04, recreational vehicle 0.03
Speed: 37.6ms pre-process, 3.0ms inference, 7.0ms post-process per image at shape (1, 3, 224, 224)
Saving runs\predict-cls\exp3\bus.jpg
Results saved to runs\predict-cls\exp3
分类模型转换成其它格式，这个版本支持批量导出，如
python export.py --weights yolov5s-cls.pt resnet50.pt efficientnet_b0.pt --include onnx engine --img 224上面就是同时将 yolov5s-cls.pt、resnet50.pt 和 efficientnet_b0.pt 转换成 onnx 和 tensorrt 的模型，真的是太方便了
备注
在版本发布说明中，作者 glenn jocher 还提到了，后续的 v6.3 版本中将会加入实例分割的功能，而在年底发布的 v7.0 中，将会更新目标检测、分类和实例分割三大模型的架构，让我们一起期待。完整的版本发布说明请见 https://github.com/ultralytics/yolov5/releases/tag/v6.2
