---

1、获取官方源码

官方代码：https://github.com/ultralytics/yolov5
更新版本：v6.2 添加了分类模块，v7.0 添加分割模块，所以至少要下载 v6.2 之后的版本
环境安装：按照下面的方式安装，
 
拉取特定版本的代码：参考我的博文 YOLO-V5 算法和代码解析系列（一）—— 快速开始

2、测试官方源码

下图是官方的代码结构（v6.2），增加了一个文件夹【classify】，存放分类的代码，包括训练代码 train.py，预测代码 predict.py，评估代码 val.py，

---

2.1、公开数据集测试源码

按照上述代码结构，进入【classify】文件夹，打开训练脚本【train.py】。根据训练脚本最开始的注释内容，可以使用官方数据集，也可以使用自己的数据集，以及单卡和多卡的训练命令，

官方训练命令如下，

python classify/train.py --model yolov5s-cls.pt --data cifar100 --epochs 5 --img 128

运行上述命令，会自动下载所需的数据集【cifar100】，以及模型文件【yolov5s-cls.pt】。下载完成后，数据的存放结构如下图所示，包含测试集【test】和训练集【train】。注意，参考官方的数据存放结构，可以准备自己数据集

每一个文件夹内，存放一个类别的图片，如下图所示

训练过程如下，训练基本正常，

---

3、源码模块解析

3.1、数据读取

• 数据路径【data_dir/train】下的文件夹数量，用于判别训练的类别数量，具体代码如下：

  nc = len([x for x in (data_dir / 'train').glob('*') if x.is_dir()])  # number of classes
  

yolov5-cls 的网络结构如下图所示，只用了目标检测网络的主干部分。基础模块包括：C3，Conv，其详细的结构，可以参考之前写的博文，YOLO-V5 系列算法和代码解析（四）—— 网络结构

4、快速开始训练自己的数据

按照在官方数据集上的测试过程，要想快速开始训练，只要两方面的准备：（1）准备好自己的数据集；（2）配置部分训练参数。具体的过程在以下章节陈述

4.1、准备自己的数据

根据【2.1】节的陈述，可以确认自己数据集的存放结构，每一个文件夹放一个类别的图片。【mono_classify】就是存放自己的训练数据的目录名称，也是训练时传入的数据标志，

---

4.2、配置训练参数

为了训练自己的数据集，首先保证官方代码能够在自己的数据集上正常训练，并且达到基本的训练效果即可，之后再进行网络调优。所以，这一章节的目的是让官方源码在自己的数据集上快速开始训练，并且能够得到基本的训练效果。为此，修改训练脚本（train.py）的部分训练参数，具体如下，

• 模型选择，默认是 yolov5-cls，也可以是 efficient-b0,b1,b2,b3，resnet18，

  parser.add_argument('--model', type=str, default='yolov5s-cls.pt', help='initial weights path')
  

• 修改训练数据路径

  parser.add_argument('--data', 
                      type=str, 
                      default='mono_classify', 
                      help='cifar10, cifar100, mnist, imagenet, etc.')
  

• 根据自己的需要，修改如下参数

  parser.add_argument('--epochs', type=int, default=10)
  parser.add_argument('--batch-size', type=int, default=64, help='total batch size for all GPUs')
  parser.add_argument('--imgsz', '--img', '--img-size', 
  					type=int, 
  					default=128, 
  					help='train, val image size (pixels)')
  

• 根据是否需要预训练，修改参数

  parser.add_argument('--pretrained', nargs='?', const=True, 
  					default=True, 
  					help='start from i.e. --pretrained False')
  

配置完参数后，开启训练，过程如下，从精度来看，基本正常，达到最基本的效果，

---