One-YOLOv5 v1.2.0发布：支持分类、检测、实例分割
One-YOLOv5 v1.2.0正式发布。完整更新列表请查看链接：https://github.com/Oneflow-Inc/one-yolov5/releases/tag/v1.2.0，欢迎体验新版本，期待你的反馈。
1
新版本特性
1. 同步了Ultralytics YOLOv5的上游分支v7.0，同时支持分类、目标检测、实例分割任务
2. 支持flask_rest_api
3. 支持使用 wandb 对实验跟踪和可视化功能
4. oneflow_hub_support_pilimage
5.为每个batch的compute_loss部分减少一次h2d和cpu slice_update操作
6. 优化 bbox_iou 函数和模型滑动平均部分，大幅提升训练性能 (一块RTX 3090加速训练YOLOv5s，时间减少11个小时，速度提升20%)
7. 兼容FlowFlops，训练时可以展示模型的FLOPs
(基于 Flowflops 详解深度学习网络的 FLOPs 和 MACs 计算方案)
 |
 |
 |
 |
| 原图 |
目标检测: 目标检测是指从图像中检测出多个物体并标记它们的位置和类别。目标检测任务需要给出物体的类别和位置信息，通常使用边界框（bounding box）来表示。目标检测可以应用于自动驾驶、视频监控、人脸识别等领域。 |
| 图像分类: 图像分类是指给定一张图像，通过计算机视觉技术来判断它属于哪一类别。图像分类是一种有监督学习任务，需要通过训练样本和标签来建立分类模型。在图像分类中，算法需要提取图像的特征，然后将其分类为预定义的类别之一。例如，图像分类可以用于识别手写数字、识别动物、区分汽车和自行车等。 |
实例分割: 实例分割是指从图像中检测出多个物体并标记它们的位置和类别，同时对每个物体进行像素级的分割。实例分割要求更为精细的信息，因为它需要将物体的每个像素都分配给对应的物体。实例分割可以应用于医学影像分析、自动驾驶、虚拟现实等领域。 |
2
快速开始
安装
在Python>=3.7.0的环境中克隆版本仓并安装 requirements.txt，包括 OneFlow nightly 或者 oneflow>=0.9.0 。
git clone https://github.com/Oneflow-Inc/one-yolov5 # 克隆
cd one-yolov5
pip install -r requirements.txt # 安装-
检测模型训练示例：
https://start.oneflow.org/oneflow-yolo-doc/tutorials/03_chapter/quick_start.html#_4
-
分割和分类模型训练示例：
https://start.oneflow.org/oneflow-yolo-doc/tutorials/03_chapter/model_train.html
3
在COCO上的精度表现
yolov5s-default
启动指令:
python -m oneflow.distributed.launch --nproc_per_node 4 \
train.py --batch-size 128 --data coco.yaml --weights " " --cfg models/yolov5s.yaml --img 640 --epochs 300yolov5s-seg
OneFlow后端启动指令
python -m oneflow.distributed.launch --nproc_per_node 8 \
segment/train.py \
--data coco.yaml \
--weights ' ' \
--cfg yolov5s-seg.yaml \
--img 640 \
--batch-size 320 \
--device 0,1,2,4 \
--epochs 300 \
--bbox_iou_optim --multi_tensor_optimize4
在COCO上的单GPU性能表现
测试环境
- 机器 ( 8GPU NVIDIA GeForce RTX 3090, 24268MiB)
- oneflow.__version__= '0.9.1+cu117
- torch.__version__= '1.13.0+cu117'
- export NVIDIA_TF32_OVERRIDE=0 # PyTorch使用FP32训练
# 测试指令:
# OneFlow后端
python train.py \
--batch-size 8 \
--data coco.yaml \
--weights ' ' \
--cfg models/yolov5s.yaml \
--img 640 \
--epochs 1 \
--bbox_iou_optim --multi_tensor_optimize
python segment/train.py \
--data coco.yaml \
--weights ' ' \
--cfg models/segment/yolov5s-seg.yaml \
--img 640 \
--batch-size 8
--epochs 1 \
--bbox_iou_optim --multi_tensor_optimize
# PyTorch后端:
export NVIDIA_TF32_OVERRIDE=0 # 使用fp32
python \
train.py \
--batch-size 8 \
--data coco.yaml \
--weights ' ' \
--cfg models/yolov5s.yaml \
--img 640 \
--epochs 1 \
export NVIDIA_TF32_OVERRIDE=0 # 使用fp32
python segment/train.py \
--data coco.yaml \
--weights ' ' \
--cfg models/segment/yolov5s-seg.yaml \
--img 640 \
--epochs 1 \
--batch-size 85
bug修复
以下记录了一些用户反馈的常见问题：
1. 出现满屏的误检框。
可能到原因场景太单一，泛化不够 ，更多可见我们关于如何准备一个好的数据集的介绍或者导出ONNX模型进行部署时代码有错误。
2. 让batch维度可以动态，加了dynamic参数？
暂时不支持该参数，可以自己编辑ONNX模型。相关教程请参考：https://github.com/Oneflow-Inc/one-yolov5/releases/download/v1.2.0_/openmmlab.pptx
3. 模型导出onnx时，出现 /tmp/oneflow_model322 类似报错。
OneFlow新老版本兼容性问题。这是旧版本创建的文件但是没清理，删除就可以解决。
4. 为训练过程loss、map、检测框等可视化适配了wandb(https://start.oneflow.org/oneflow-yolo-doc/tutorials/03_chapter/intro_to_wandb.html)
5. CUDA_VISIBLE_DEVICES环境变量设置放在import oneflow之后会失败，导致device选择失败，可以通过export CUDA_VISIBLE_DEVICES=1 手动控制。
6. autobatch功能
OneFlow缺少memory_reserved API，我们会尽快补齐，现在需要先手动指定下batch_size。下个版本将会解决并且会直接支持导出batch维度为动态的模型。
下个版本的展望
-
继续提升One-YOLOv5单卡模式的训练速度
-
解决目前训练时显存比Ultralytics偏大的问题
-
CPU模式下支持ONNX模型的导出
-
OneFlow研发的amp train目前已经开发完成正在测试中，下个版本将合并进main分支
-
autobatch功能
常用预训练模型下载列表
其他人都在看
-
GPT-3/ChatGPT复现的经验教训
-
超越ChatGPT：大模型的智能极限
-
YOLOv5解析教程:计算mAP用到的Numpy函数
-
ChatGPT作者Schulman：我们成功的秘密武器
-
比快更快，开源Stable Diffusion刷新作图速度
-
OneEmbedding:单卡训练TB级推荐模型不是梦
-
GLM训练加速：性能最高提升3倍，显存节省1/3
欢迎Star、试用OneFlow新版本：GitHub - Oneflow-Inc/oneflow: OneFlow is a deep learning framework designed to be user-friendly, scalable and efficient.OneFlow is a deep learning framework designed to be user-friendly, scalable and efficient. - GitHub - Oneflow-Inc/oneflow: OneFlow is a deep learning framework designed to be user-friendly, scalable and efficient.
https://github.com/Oneflow-Inc/oneflow/