前言

之前文章已经讲过yolov5模型的训练，这一篇将说一下分类模型训练流程。
https://blog.csdn.net/qq_45066628/article/details/129470290

新版本简介

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！

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。

训练前准备工作🌟

模型下载

git clone https://github.com/ultralytics/yolov5
cd yolov5
pip install -qr requirements.txt

数据准备

这里数据集采用kaggle猫狗大战数据集

数据集下载地址:https://www.kaggle.com/c/dogs-vs-cats-redux-kernels-edition/data

划分数据集

分类模型无需标注数据，只需要将训练的图片按类别文件夹划分即可

格式如下🍀：

示例：

划分脚本：

import os
from shutil import copy
import randomdef mkfile(file):if not os.path.exists(file):os.makedirs(file)# 获取data文件夹下所有文件夹名（即需要分类的类名）
file_path = '../test_set/'
flower_class = [cla for cla in os.listdir(file_path)]# 创建 训练集train 文件夹，并由类名在其目录下创建5个子目录
mkfile('data/train')
for cla in flower_class:mkfile('data/train/' + cla)# 创建 验证集val 文件夹，并由类名在其目录下创建子目录
mkfile('data/val')
for cla in flower_class:mkfile('data/val/' + cla)# 划分比例，训练集 : 验证集 = 8 : 2
split_rate = 0.2# 遍历所有类别的全部图像并按比例分成训练集和验证集
for cla in flower_class:cla_path = file_path + '/' + cla + '/'  # 某一类别的子目录images = os.listdir(cla_path)  # iamges 列表存储了该目录下所有图像的名称num = len(images)eval_index = random.sample(images, k=int(num * split_rate))  # 从images列表中随机抽取 k 个图像名称for index, image in enumerate(images):# eval_index 中保存验证集val的图像名称if image in eval_index:image_path = cla_path + imagenew_path = 'data/val/' + clacopy(image_path, new_path)  # 将选中的图像复制到新路径# 其余的图像保存在训练集train中else:image_path = cla_path + imagenew_path = 'data/train/' + clacopy(image_path, new_path)print("\r[{}] processing [{}/{}]".format(cla, index + 1, num), end="")  # processing barprint()print("processing done!")

下载权重文件

下载地址:https://github.com/ultralytics/yolov5

不同文件，使用产生的效果也不一样，这里使用YOLOv5s-cls

修改配置文件

到classify文件夹下，修改train.py

第一行设置自己下载的权重文件路径，第二行设置数据集路径，其余参数可根据自行需要修改。

开始训练🚀

1. 方法一：
   运行classify下的train.py文件，这里由于cuda问题，暂时选用cpu进行训练演示。
   
   运行后这里缺失模块产生了一个报错，若没有跳过，解决方法：

   pip install --upgrade protobuf

   然后重新运行train.py文件
   

2. 方法二：

   python classify/train.py --model yolov5s-cls.pt --data datasets/data–epochs 100 --batch-size 32 --imgsz 224

训练完成后，会在runs文件夹下看到模型

验证和推理

验证

1. 方法一：

   python classify/val.py --weights runs/train-cls/exp4/weights/best.pt --data datasets/data

2. 方法二：
   到classify文件夹下，修改val.py
   
   第一行使用自己训练的模型文件，第二行修改数据集路径，其余参数可根据自行需要修改。

验证结果：
输出类别和正确率信息

推理

方法与上述类似，该文件或直接使用命令行

# 测试im1.jpg
python classify/predict.py --weights runs/train-cls/exp4/weights/best.pt --source im1.jpg# 测试im2.jpg
python classify/predict.py --weights runs/train-cls/exp4/weights/best.pt --source im2.jpg

推理结果:
可以到runs文件夹下的predict-cls文件夹下查看结果

导出

使用ONNX

执行命令导出onnx：

python export.py --weights runs/train-cls/exp4/weights/best.pt --include onnx

输出：

Detect: python classify/predict.py --weights runs/train-cls/exp4/weights/best.onnx
Validate: python classify/val.py --weights runs/train-cls/exp4/weights/best.onnx
PyTorch Hub: model = torch.hub.load(‘ultralytics/yolov5’, ‘custom’, ‘runs/train-cls/exp4/weights/best.onnx’) # WARNING ⚠️ ClassificationModel not yet supported for PyTorch Hub AutoShape inference
Visualize: https://netron.app

使用TensorRT

执行命令导出engine：

python export.py --weights runs/train-cls/exp4/weights/best.pt --include engine --device 0

输出:

Detect: python classify/predict.py --weights runs/train-cls/exp4/weights/best.engine
Validate: python classify/val.py --weights runs/train-cls/exp4/weights/best.engine
PyTorch Hub: model = torch.hub.load(‘ultralytics/yolov5’, ‘custom’, ‘runs/train-cls/exp/weights/best.engine’) # WARNING ⚠️ ClassificationModel not yet supported for PyTorch Hub AutoShape inference
Visualize: https://netron.app