One-YOLOv5 v1.2.0正式公布。残缺更新列表请查看链接：https://github.com/Oneflow-Inc/one-yolov5/releases/tag/v1.2.0，欢送体验新版本，期待你的反馈。
1
新版本个性
- 同步了Ultralytics YOLOv5的上游分支v7.0，同时反对分类、指标检测、实例宰割工作
- 反对flask_rest_api
- 反对应用 wandb 对试验跟踪和可视化性能
- oneflow_hub_support_pilimage
5.为每个batch的compute_loss局部缩小一次h2d和cpu slice_update操作 - 优化 bbox_iou 函数和模型滑动均匀局部，大幅晋升训练性能 (一块RTX 3090减速训练YOLOv5s，工夫缩小11个小时，速度晋升20%)
- 兼容FlowFlops，训练时能够展现模型的FLOPs
(基于 Flowflops 详解深度学习网络的 FLOPs 和 MACs 计算计划)
2
疾速开始
装置
在Python>=3.7.0的环境中克隆版本仓并装置 requirements.txt，包含 OneFlow nightly 或者 oneflow>=0.9.0 。
git clone https://github.com/Oneflow-Inc/one-yolov5 # 克隆cd one-yolov5pip install -r requirements.txt # 装置- 检测模型训练示例：https://start.oneflow.org/oneflow-yolo-doc/tutorials/03_chapt...
- 宰割和分类模型训练示例：https://start.oneflow.org/oneflow-yolo-doc/tutorials/03_chapt...
3
在COCO上的精度体现
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性能体现
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应用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 # 应用fp32python \ train.py \ --batch-size 8 \ --data coco.yaml \ --weights ' ' \ --cfg models/yolov5s.yaml \ --img 640 \ --epochs 1 \export NVIDIA_TF32_OVERRIDE=0 # 应用fp32python 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：
- 呈现满屏的误检框。
可能到起因场景太繁多，泛化不够 ，更多可见咱们对于如何筹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谬误。
- 让batch维度能够动静，加了dynamic参数？
临时不反对该参数，能够本人编辑ONNX模型。相干教程请参考：https://github.com/Oneflow-Inc/one-yolov5/releases/download/v1.2.0_/openmmlab.pptx
- 模型导出onnx时，呈现 /tmp/oneflow_model322 相似报错。
OneFlow新老版本兼容性问题。这是旧版本创立的文件然而没清理，删除就能够解决。
- 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_chapt...)
- CUDA_VISIBLE_DEVICES环境变量设置放在import oneflow之后会失败，导致device抉择失败，能够通过export CUDA_VISIBLE_DEVICES=1 手动管制。
- autobatch性能
OneFlow短少memory_reserved API，咱们会尽快补齐，当初须要先手动指定下batch_size。下个版本将会解决并且会间接反对导出batch维度为动静的模型。
下个版本的瞻望
- 持续晋升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模式下反对ONNX模型的导出
- OneFlow研发的amp train目前曾经开发实现正在测试中，下个版本将合并进main分支
- autobatch性能
罕用预训练模型下载列表
欢送 Star、试用 OneFlow 最新版本：https://github.com/Oneflow-Inc/oneflow/