位置: IT常识 - 正文
手把手教你用Yolov5 (v6.2) 训练分类模型 基于《Kaggle猫狗大战》案例(手把手教你用气焊视频)
编辑：rootadmin推荐整理分享手把手教你用Yolov5 (v6.2) 训练分类模型 基于《Kaggle猫狗大战》案例(手把手教你用气焊视频)，希望有所帮助，仅作参考，欢迎阅读内容。
文章相关热门搜索词:手把手教你用荣耀手机,手把手教你用u盘安装系统,手把手教你用电脑上网络,手把手教你用电脑写文章,手把手教你用气焊视频,手把手教你用砖砌橱柜,手把手教你用砖砌橱柜,手把手教你用二氧化氯给鱼缸消毒,内容如对您有帮助，希望把文章链接给更多的朋友！
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-GPUpython classify/train.py --model yolov5s-cls.pt --data cifar100 --epochs 5 --img 224 --batch 128# Multi-GPU DDPpython -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 0,1,2,32.2 valbash 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 # validate2.3 predictpython classify/predict.py --weights yolov5s-cls.pt --data data/images/bus.jpg3 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1.手把手带你调参Yolo v5 (v6.2)（一）🌟强烈推荐
2.手把手带你调参Yolo v5 (v6.2)（二）🚀
3.如何快速使用自己的数据集训练Yolov5模型
4.手把手带你Yolov5 (v6.1)添加注意力机制(一)（并附上30多种顶会Attention原理图）🌟
5.手把手带你Yolov5 (v6.1)添加注意力机制(二)（在C3模块中加入注意力机制）
6.Yolov5如何更换激活函数？
7.Yolov5 (v6.1)数据增强方式解析
8.Yolov5更换上采样方式( 最近邻 / 双线性 / 双立方 / 三线性 / 转置卷积)
9.Yolov5如何更换EIOU / alpha IOU / SIoU？
10.Yolov5更换主干网络之《旷视轻量化卷积神经网络ShuffleNetv2》🍀
11.YOLOv5应用轻量级通用上采样算子CARAFE🍀
12.空间金字塔池化改进 SPP / SPPF / ASPP / RFB / SPPCSPC🍀
13.用于低分辨率图像和小物体的新 CNN 模块SPD-Conv🍀
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👍📖🌟上一篇：2023年noc指导教师认证测评参考试题(ccf noi指导教师认证考核)
下一篇：ConvNeXt V2学习笔记
