关于YOLOv7.0 版本的分类、检测和分割

导读 YOLOv5是目前Yolo系列应用非常广的算法，迭代了很多版本，目前已升级到V6.2版本，从原本训练目标检测，到也可训练分类模型，整个算法生态越来越完善，通过本文的梳理，希望对大家学习有帮助。

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
pythonclassify/train.py--modelyolov5s-cls.pt--datacifar100--epochs5--img224--batch128

#Multi-GPUDDP
python-mtorch.distributed.run--nproc_per_node4--master_port1classify/train.py--modelyolov5s-cls.pt--dataimagenet--epochs5--img224--device0,1,2,3

val

bashdata/scripts/get_imagenet.sh--val#downloadImageNetvalsplit(6.3G,50000images)
pythonclassify/val.py--weightsyolov5m-cls.pt--data../datasets/imagenet--img224#validate

test

pythonclassify/predict.py--weightsyolov5s-cls.pt--datadata/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！

classClassificationModel(BaseModel):
#YOLOv5classificationmodel
def__init__(self,cfg=None,model=None,nc=1000,cutoff=10):#yaml,model,numberofclasses,cutoffindex
super().__init__()
self._from_detection_model(model,nc,cutoff)ifmodelisnotNoneelseself._from_yaml(cfg)

def_from_detection_model(self,model,nc=1000,cutoff=10):
#CreateaYOLOv5classificationmodelfromaYOLOv5detectionmodel
ifisinstance(model,DetectMultiBackend):
model=model.model#unwrapDetectMultiBackend
model.model=model.model[:cutoff]#backbone
m=model.model[-1]#lastlayer
ch=m.conv.in_channelsifhasattr(m,'conv')elsem.cv1.conv.in_channels#chintomodule
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):
#CreateaYOLOv5classificationmodelfroma*.yamlfile
self.model=None

审核编辑：彭静