• 0x0. 引言
• 0x1. 快速开始
• 0x2. 在COCO上的精度表现
  • yolov5s-default
  • yolov5s-seg
• 0x3. 在COCO上的单GPU性能表现
• 特性 & bug 修复
  • 特性
  • 用户反馈的bug
• 下个版本的展望
• 附件
• 常用预训练模型下载列表

0x0. 引言

• 🌟 v1.2.0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

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。

0x1. 快速开始

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
• 分割和分类模型训练示例

0x2. 在COCO上的精度表现

yolov5s-default

数据 results.txt

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 300

yolov5s-seg

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_optimize 

0x3. 在COCO上的单GPU性能表现

- 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_optimizepython 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 8

特性 & bug 修复

特性

用户反馈的bug

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介绍 或者导出onnx模型进行部署时代码有错误。

2. 这个应该是让batch维度可以动态 你加了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：因为这个是之前旧版本创建的文件但是没清理，删了就可以解决了。

4. 训练过程loss，map，检测框等可视化 我们适配了wandb

5. device选择这里因为CUDA_VISIBLE_DEVICES环境变量设置放在import oneflow之后会失败，导致device选择失败了，可以export CUDA_VISIBLE_DEVICES=1 这样子手动控制下。

6. autobatch功能 oneflow这边缺少个memory_reserved api ，我们会尽快补齐这个api，现在还是先手动指定下batch_size, 我们将在下个版本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模式下也支持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 。

附件

常用预训练模型下载列表