文章目录
*
– 0 前言
– 1 v6.2 项目结构改动
– 2 快速上手🌟
–
+ 2.1 train
+ 2.2 val
+ 2.3 predict
– 3 重要参数解析🚀
–
+ 3.1 “–data”🍀
+
* 3.1.1 划分数据集
* 3.1.2 修改超参数
+ 3.2 “–seed” 🍀
– 4 模型推理
– 5 Test集验证
– 🎉更多内容导航
– 有问题欢迎大家指正，如果感觉有帮助的话请点赞支持下👍📖🌟
0 前言
在8月17日晚上， YOLOv5 官方发布了 v6.2 版本， v6.2 版本支持分类模型训练、验证、预测和导出； v6.2 版本的推出使得训练分类器模型变得超级简单！
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。
并且 Yolov5 官方同样提供了大量的预训练权重供大家选择；
权重都是在
ImageNet数据集上训练90 Epoch后得到的，并且YOLOv5官方将所有型号导出到ONNX FP32进行CPU速度测试，导出到TensorRT FP16进行GPU速度测试，最终得到的各项指标如下图所示：
分类任务的工作流与先前版本的 检测任务工作流基本一致，所以熟悉 检测任务的同学应该会很容易上手 分类任务
; 1 v6.2 项目结构改动
v6.2版本项目结构并无太大改变，主要是增加了 classify文件夹以及 predict.py train.py val.py 这三个文件；那么这三个文件也分别对应着分类模型的 推理、 训练和 验证。
2 快速上手🌟
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，只需要给–data参数设置为”MNIST“
2.1 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
2.2 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
2.3 predict
python classify/predict.py --weights yolov5s-cls.pt --data data/images/bus.jpg
3 重要参数解析🚀
下面来看一下 train.py具体的参数信息
分类任务的参数与检测任务的参数差的并不是很多，大多数在参数的含义在
6.1 版本我已经讲过了，我这里就挑出几个重点的说一下
v6.1版本的参数解析可以参考我这两篇博文
手把手带你调参Yolo v5 (v6.1)（一）
手把手带你调参Yolo v5 (v6.1)（二）
; 3.1 “–data”🍀
Yolov5(v6.2)版本的分类数据集信息不再通过配置文件的形式载入，而是通过文件夹的名字自动匹配，官方提供了一些数据集的 url可以自行下载；
本篇博文数据集以 kaggle猫狗大战数据集为例子，从零开始训练自己的分类模型
3.1.1 划分数据集
kaggle猫狗大战数据集包含 12500张猫🐱图片与 12500张🐶狗图片，我按照如下方式划分
kaggle-DogVsCat
├─train
│ ├─Cat 8750
│ └─Dog 8750
├─val
│ ├─Cat 2500
│ └─Dog 2500
└─test
├─Cat 1250
└─Dog 1250
分类数据集的路径是自动匹配的，所以我们要按照这个命名规则划分，不然会提示你找不到数据集
3.1.2 修改超参数
划分好数据集后做如下改动：
--data default=“你分类数据集的名字”
随后就可以训练了
分类模型较检测模型训练速度快非常多，可能是训练图像尺寸设置的比较小的原因；可以通过
--imgsz参数设置
; 3.2 “–seed” 🍀
这是 v6.2版本更新的一个非常重要的参数，使用 torch>=1.12.0的单 GPU训练完全可再现
4 模型推理
推理方式与检测任务几乎没有区别，修改一下 权重路径就好
分类任务推理出的图片是这样子的，会显示准确率 top5的类别
; 5 Test集验证
这里也没什么可说的，修改一下 权重路径和 数据集就好
不知道是不是我没用明白，还没看出来怎么修改网络结构，所以说出个分类模型的意义是什么？
🎉更多内容导航
14.持续更新中
有问题欢迎大家指正，如果感觉有帮助的话请点赞支持下👍📖🌟
Original: https://blog.csdn.net/weixin_43694096/article/details/126550915
Author: 迪菲赫尔曼
Title: 手把手教你用Yolov5 (v6.2) 训练分类模型 基于《Kaggle猫狗大战》案例
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/786927/
转载文章受原作者版权保护。转载请注明原作者出处！