One-YOLOv5 v1.2.0正式發(fā)布。完整更新列表請查看鏈接：https://github.com/Oneflow-Inc/one-yolov5/releases/tag/v1.2.0，歡迎體驗新版本，期待你的反饋。

(資料圖片僅供參考)

1

新版本特性

1. 同步了Ultralytics?YOLOv5的上游分支v7.0，同時支持分類、目標檢測、實例分割任務

2. 支持flask_rest_api

3. 支持使用 wandb 對實驗跟蹤和可視化功能?

4. oneflow_hub_support_pilimage?

5.為每個batch的compute_loss部分減少一次h2d和cpu slice_update操作?

6. 優(yōu)化 bbox_iou 函數(shù)和模型滑動平均部分，大幅提升訓練性能 (一塊RTX 3090加速訓練YOLOv5s，時間減少11個小時，速度提升20%)

7. 兼容FlowFlops，訓練時可以展示模型的FLOPs?

(基于 Flowflops 詳解深度學習網(wǎng)絡的 FLOPs 和 MACs 計算方案)

2

快速開始

安裝

在Python>=3.7.0的環(huán)境中克隆版本倉并安裝 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-yolov5pip install -r requirements.txt # 安裝

檢測模型訓練示例：

https://start.oneflow.org/oneflow-yolo-doc/tutorials/03_chapter/quick_start.html#_4

分割和分類模型訓練示例：

https://start.oneflow.org/oneflow-yolo-doc/tutorials/03_chapter/model_train.html

3

在COCO上的精度表現(xiàn)

yolov5s-default

啟動指令:

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

OneFlow后端啟動指令

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_optimize

4

在COCO上的單GPU性能表現(xiàn)

測試環(huán)境

- 機器 ( 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訓練 # 測試指令:# 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fp32python \ train.py \ --batch-size 8 \ --data coco.yaml \ --weights " " \ --cfg models/yolov5s.yaml \ --img 640 \ --epochs 1 \export NVIDIA_TF32_OVERRIDE=0 # 使用fp32python segment/train.py \ --data coco.yaml \ --weights " " \ --cfg models/segment/yolov5s-seg.yaml \ --img 640 \ --epochs 1 \ --batch-size 8

5bug修復

以下記錄了一些用戶反饋的常見問題：

1. 出現(xiàn)滿屏的誤檢框。 可能到原因場景太單一，泛化不夠 ，更多可見我們關(guān)于如何準備一個好的數(shù)據(jù)集的介紹或者導出ONNX模型進行部署時代碼有錯誤。

2.?讓batch維度可以動態(tài)，加了dynamic參數(shù)？ 暫時不支持該參數(shù)，可以自己編輯ONNX模型。相關(guān)教程請參考：https://github.com/Oneflow-Inc/one-yolov5/releases/download/v1.2.0_/openmmlab.pptx

3.?模型導出onnx時，出現(xiàn)?/tmp/oneflow_model322?類似報錯。 OneFlow新老版本兼容性問題。這是舊版本創(chuàng)建的文件但是沒清理，刪除就可以解決。 ?

4. 為訓練過程loss、map、檢測框等可視化適配了wandb(https://start.oneflow.org/oneflow-yolo-doc/tutorials/03_chapter/intro_to_wandb.html)

5. CUDA_VISIBLE_DEVICES環(huán)境變量設置放在import oneflow之后會失敗，導致device選擇失敗，可以通過export CUDA_VISIBLE_DEVICES=1 手動控制。

6.?autobatch功能 OneFlow缺少memory_reserved API，我們會盡快補齊，現(xiàn)在需要先手動指定下batch_size。下個版本將會解決并且會直接支持導出batch維度為動態(tài)的模型。

下個版本的展望

繼續(xù)提升One-YOLOv5單卡模式的訓練速度

解決目前訓練時顯存比Ultralytics偏大的問題

CPU模式下支持ONNX模型的導出

OneFlow研發(fā)的amp train目前已經(jīng)開發(fā)完成正在測試中，下個版本將合并進main分支

autobatch功能

常用預訓練模型下載列表

其他人都在看

GPT-3/ChatGPT復現(xiàn)的經(jīng)驗教訓

超越ChatGPT：大模型的智能極限

YOLOv5解析教程:計算mAP用到的Numpy函數(shù)

ChatGPT作者Schulman：我們成功的秘密武器

比快更快，開源Stable Diffusion刷新作圖速度

OneEmbedding:單卡訓練TB級推薦模型不是夢

GLM訓練加速：性能最高提升3倍，顯存節(jié)省1/3

歡迎Star、試用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/

關(guān)鍵詞：