【图像分类】YOLOv5-6.2全新版本:支持图像分类
前言
众所周知,YOLOv5是一款优秀的目标检测模型,但实际上,它也支持图像分类。在6.1版本中,就暗留了classify
这个参数,可以在做检测的同时进行分类。
官方仓库地址:https://github.com/ultralytics/yolov5/releases
更新概览
在几天前刚新出的6.2版本中,直接将分类功能单独剥离开来,使其能够直接训练图像分类数据集。
先看看官网公示的更新说明:
- 分类功能
新增分类功能,并提供各模型在ImageNet上训练过的预训练模型 - ClearML日志记录
与开源实验跟踪器ClearML集成。使用pip安装clearml将启用集成,并允许用户跟踪clearml中的每个训练运行。 - Deci.ai优化
在Deci上单击一次即可自动编译和量化YOLOv5,从而获得更好的性能 - GPU导出基准
可以使用python utils/benchmarks.py --weights yolov5s.pt --device 0
来导出Benchmark (mAP and speed) - 训练可完全复现
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seed=0) - 优化Apple炼丹体验
Apple Metal Performance Shader(MPS:苹果炼丹工具) 支持Apple M1/M2设备
在这些更新中,我最关注的是图像分类功能,那么本篇就来尝试跑通一下。
分类模型效果
下图是官方贴出来的各分类模型对比图,在可以看到在相同的数据集上,YOLOv5x-cls模型取得了最佳的准确率。下列这些模型官方均提供预训练权重。
工程结构
首先看新版本的工程结构,和前几个版本差别不大。主要是多了一个classify
文件夹,包含图像分类训练,验证,检测三个函数。
训练结果会保存在runs/train-cls
文件夹中。
数据集下载
在train.py
中,提供这段数据集下载程序段:
# Download Dataset
with torch_distributed_zero_first(LOCAL_RANK), WorkingDirectory(ROOT):
data_dir = data if data.is_dir() else (DATASETS_DIR / data)
if not data_dir.is_dir():
LOGGER.info(f'\nDataset not found ⚠️, missing path {data_dir}, attempting download...')
t = time.time()
if str(data) == 'imagenet':
subprocess.run(f"bash {ROOT / 'data/scripts/get_imagenet.sh'}", shell=True, check=True)
else:
url = f'https://github.com/ultralytics/yolov5/releases/download/v1.0/{data}.zip'
download(url, dir=data_dir.parent)
s = f"Dataset download success ✅ ({time.time() - t:.1f}s), saved to {colorstr('bold', data_dir)}\n"
LOGGER.info(s)
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
如果指定的数据集路径下没有数据集,会从官方仓库v1.0的版本中进行下载。这里我建议是手动去进行下载,受限于网络情况,自动下载很容易失败。
可以看到,在官方仓库v1.0版本中的Assets中包含了很多数据集,我下载了最经典的mnist的数据集来做测试。
下载完之后,需要在本地进行解压,解压之后的数据集格式如下图所示:
禁用wandb
训练之前,可以选择禁用wandb,wandb是和tensorboard类似的数据记录平台,为了防止报错,可以用下面的方式进行禁用。
在终端环境中输入wandb disabled
同时在utils/loggers/wandb/__init__.py
中添加wandb = None
try:
import wandb
assert hasattr(wandb, '__version__') # verify package import not local dir
if pkg.parse_version(wandb.__version__) >= pkg.parse_version('0.12.2') and RANK in {0, -1}:
try:
wandb_login_success = wandb.login(timeout=30)
except wandb.errors.UsageError: # known non-TTY terminal issue
wandb_login_success = False
if not wandb_login_success:
wandb = None
except (ImportError, AssertionError):
wandb = None
# 添加以下语句
wandb = None
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
在utils/loggers/wandb/wandb_utils.py
中同样添加
try:
import wandb
assert hasattr(wandb, '__version__') # verify package import not local dir
except (ImportError, AssertionError):
wandb = None
# 添加以下语句
wandb = None
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
开始训练
在train.py
中主要修改下面一些超参数,基本和目标检测类似,值得注意的是图像分类训练中,并不需要指定模型结构,模型结构完全包含在了预训练模型中,使用起来更为方便。如果需要深入了解YOLO模型是如何引出分类的,可以导出ONNX模型,再使用netron查看。
训练完成之后,会自动调用测试程序,绘制测试结果。
可以看到,我只使用YOLOv5-cls
模型训练了10个epoch,就在mnist上取得了不错的效果。
模型预测
模型预测更简单,指定训练好的权重weights
,输入图像source
,图像尺寸imgsz
即可。
模型会从高到低输出前5个类别的概率值。
代码备份
本次实验代码包含YOLOv5-6.2版本提供的所有预训练权重和mnist数据集。
备份地址:https://pan.baidu.com/s/1msi5qaE82nEbCha641lkPA?pwd=8888
文章来源: zstar.blog.csdn.net,作者:zstar-_,版权归原作者所有,如需转载,请联系作者。
原文链接:zstar.blog.csdn.net/article/details/126432538
- 点赞
- 收藏
- 关注作者
评论(0)