- 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
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
- 分割和分类模型训练示例
0x2. 在COCO上的精度表现
yolov5s-default
| 后端 | GPU | metrics/mAP_0.5, | metrics/mAP_0.5:0.95, | wandb 日志 |
|---|---|---|---|---|
| OneFlow | 4 | 37.659 | 56.992 | One-YOLOv5s-default |
| PyTorch | 1 | 37.65 | 56.663 | YOLOV5s-default |
数据 results.txt
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 300
yolov5s-seg
| 后端 | GPU | mAP_0.5:0.95(B) | mAP_0.5:0.95(M) | wandb 日志 |
|---|---|---|---|---|
| OneFlow | 8 | 37.558 | 31.402 | One-YOLOv5s-seg_v1.2.0 |
| PyTorch | 1 | 37.705 | 31.651 | 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
| 单卡 | amp | epoch | gpu | batch | 数据集 | 模型 | time(min) |
|---|---|---|---|---|---|---|---|
| OneFlow | False | 1 | 1 | 8 | coco | yolov5s-default | 18:49 |
| PyTorch | False | 1 | 1 | 8 | coco | yolov5s-default | 21:56 |
| OneFlow | False | 1 | 1 | 16 | coco | yolov5s-default | 14:34 |
| PyTorch | False | 1 | 1 | 16 | coco | yolov5s-default | 17:46 |
| OneFlow | False | 1 | 1 | 8 | coco | yolov5s-seg | 25:36 |
| PyTorch | False | 1 | 1 | 8 | coco | yolov5s-seg | 33:16 |
| OneFlow | False | 1 | 1 | 16 | coco | yolov5s-seg | 24:07 |
| PyTorch | False | 1 | 1 | 16 | coco | yolov5s-seg | 29:55 |
- 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 8
特性 & bug 修复
特性
01 同时支持分类，目标检测，实例分割任务 分割和分类模型训练示例检测模型训练示例 02 支持flask_rest_api 使用flask_rest_api示例 03 支持使用 wandb 对实验跟踪和可视化功能 使用coco128数据集 对 wandb 集成可视化测试示例
操作指南 04 oneflow_hub_support_pilimage 操作指南 05 为每个batch的compute_loss部分减少一次h2d和cpu slice_update操作 pr: optim_slice_update_in_compute_loss 06 优化 bbox_iou 函数和模型滑动平均部分，大幅提升训练性能 消费级显卡的春天，GTX 3090 YOLOv5s单卡完整训练COCO数据集缩短11.35个小时 07 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
用户反馈的bug
记录了一些用户反馈的常见问题
-
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。
-
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
-
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。 -
训练过程loss，map，检测框等可视化 我们适配了wandb
-
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。
-
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
| Model | Size(MB) | Model | Size(MB) | Model | Size(MB) | Model | Size(MB) |
|---|---|---|---|---|---|---|---|
| yolov5n | 3.87MB | yolov5n6 | 6.86MB | yolov5n-cls | 4.87MB | yolov5n-seg | 4.11MB |
| yolov5s | 14.12MB | yolov5s6 | 24.78MB | yolov5s-cls | 10.52MB | yolov5s-seg | 14.87MB |
| yolov5m | 40.82MB | yolov5m6 | 68.96MB | yolov5m-cls | 24.89MB | yolov5m-seg | 42.36MB |
| yolov5l | 89.29MB | yolov5l6 | 147.36MB | yolov5l-cls | 50.88MB | yolov5l-seg | 91.9MB |
| yolov5x | 166.05MB | yolov5x6 | 269.62MB | yolov5x-cls | 92.03MB | yolov5x-seg | 170.01MB |
