[易语言]使用易语言部署yolov5-7.0的图像分类模型

【官方框架地址】

GitHub - ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite
【算法介绍】

YOLO（You Only Look Once）系列算法是一种在计算机视觉领域广泛应用的目标检测算法，而YOLOv5是该系列中的一款非常流行的实现。尽管YOLOv5的名称暗示它是用于目标检测，但这种算法也可以进行图像分类任务。要注意的是，YOLOv5主要被设计和优化用于目标检测，且由于是社区维护的版本，它并不是官方的后续版本。

YOLOv5采用了卷积神经网络（CNN）的架构，它通过端到端的训练能够在单个网络中同时进行特征提取、边界框预测和类别识别。

核心特点
速度快
YOLOv5的设计注重速度与精度的平衡，它能够在保持较高检测精度的同时，实现快速的推理速度，这使其非常适合实时检测任务。

权重轻
YOLOv5在不牺牲太多精度的前提下，提供了不同大小的模型，从小型的YOLOv5s到大型的YOLOv5l和YOLOv5x，满足不同计算能力的平台需求。

易于训练和部署
YOLOv5易于训练且模型文件体积小，配合其有效的预训练权重和灵活的部署能力，可以在各种硬件平台上快速启动和运行。

图像分类应用
尽管YoLOv5专为目标检测任务设计，但它也可以用于图像分类。在这种情况下，你只需要在图像中识别整体的类别，而不是检测图像中的多个对象和它们的位置。

将YOLOv5用于图像分类的一个常用方法是提取YOLOv5中的特征提取部分，即其CNN骨干网，并在此基础上添加一个用于分类的全连接层。通过这种方式，你可以在训练时仅使用标注类别的图像数据集，而不是需要目标检测标注的数据集。

YOLOv5适用场景
YOLOv5适用于需要快速、实时检测物体并对图像中的物体分类的场合，比如监控系统、无人驾驶汽车以及在零售中识别商品等。对于只需要进行图像分类而非位置检测的任务，YOLOv5可以通过网络的适当修改来适应这一需求。

总结
总的来说，尽管YOLOv5是针对目标检测问题设计的，但其快速、高效的特性也可以适用于图像分类任务。它的强大功能和灵活性意味着，通过一些修改，YOLOv5可以成为一个在多个不同任务中表现出色的工具。然而，如果任务仅限于图像分类，可能会有专门为分类优化的其他算法更为合适，比如使用ResNet、EfficientNet等网络结构。

【效果展示】

【实现部分代码】

.版本 2
.支持库 spec
 
Yolov5Cls_加载模型 (“yolov5n-cls.onnx”, “labels.txt”)
图片字节集 ＝ 读入文件 (“goldfish.jpg”)
图片大小 ＝ 取字节集长度 (图片字节集)
推理结果 ＝ Yolov5Cls_推理_从字节集 (图片字节集, 图片大小)
调试输出 (推理结果)
Yolov5Cls_释放资源 ()