作者?|?Fengwen、BBuf
歡迎Star、試用One-YOLOv5：
(資料圖)
https://github.com/Oneflow-Inc/one-yolov5
1
結(jié)構(gòu)項目預(yù)覽
2
安裝
git?clone?https://github.com/Oneflow-Inc/one-yolov5??#?clonecd?one-yolov5pip?install?-r?requirements.txt??#?install
帶權(quán)重訓(xùn)練?
$?python?path/to/train.py?--data?coco.yaml?--weights?yolov5s?--img?640
2. 不帶權(quán)重訓(xùn)練?
$?python?path/to/train.py?--data?coco.yaml?--weights?""?--cfg?yolov5s.yaml?--img?640
$?python?train.py??--data?coco.yaml?--weights?yolov5s?--device?0
$?python?-m?oneflow.distributed.launch?--nproc_per_node?2?train.py?--batch?64?--data?coco.yaml?--weights?yolov5s?--device?0,1
注意： ?
--nproc_per_node ?指定要使用多少GPU。舉個例子:在上面多GPU訓(xùn)練指令中它是2。
--batch 是總批量大小。它將平均分配給每個GPU。在上面的示例中，每GPU是64/2＝32。
--cfg : 指定一個包含所有評估參數(shù)的配置文件。
上面的代碼默認(rèn)使用GPU 0…（N-1）。使用特定的GPU？可以通過簡單在 --device 后跟指定GPU來實現(xiàn)?！赴咐?，在下面的代碼中，我們將使用GPU 2,3。
$?python?-m?oneflow.distributed.launch?--nproc_per_node?2?train.py?--batch?64?--data?coco.yaml?--cfg?yolov5s.yaml?--weights?""?--device?2,3
如果你的訓(xùn)練進(jìn)程中斷了，你可以這樣恢復(fù)先前的訓(xùn)練進(jìn)程。
#?多卡訓(xùn)練.python?-m?oneflow.distributed.launch?--nproc_per_node?2?train.py?--resume
你也可以通過 --resume 參數(shù)指定要恢復(fù)的模型路徑。
#?記得把?/path/to/your/checkpoint/path??替換為你要恢復(fù)訓(xùn)練的模型權(quán)重路徑--resume?/path/to/your/checkpoint/path
SyncBatchNorm可以提高多gpu訓(xùn)練的準(zhǔn)確性，但會顯著降低訓(xùn)練速度。它僅適用于多GPU DistributedDataParallel 訓(xùn)練。建議最好在每個GPU上的樣本數(shù)量較小（樣本數(shù)量<=8）時使用。
要使用SyncBatchNorm，只需將添加 --sync-bn 參數(shù)選項，具體「案例」如下:
$?python?-m?oneflow.distributed.launch?--nproc_per_node?2?train.py?--batch?64?--data?coco.yaml?--cfg?yolov5s.yaml?--weights?""?--sync-bn
下面的命令是在COCO val2017數(shù)據(jù)集上以640像素的圖像大小測試 yolov5x 模型。yolov5x是可用小模型中最大且最精確的，其它可用選項是 yolov5n ，yolov5m，yolov5s，yolov5l ，以及他們的 P6 對應(yīng)項比如 yolov5s6 ，或者你自定義的模型，即 runs/exp/weights/best 。
$?python?val.py?--weights?yolov5x?--data?coco.yaml?--img?640
首先，下載一個訓(xùn)練好的模型權(quán)重文件，或選擇你自己訓(xùn)練的模型；然后，通過 detect.py文件進(jìn)行推理。
python?path/to/detect.py?--weights?yolov5s?--source?0??????????????#?webcam????????????????????????????????????????????????????img.jpg????????#?image????????????????????????????????????????????????????vid.mp4????????#?video????????????????????????????????????????????????????path/??????????#?directory????????????????????????????????????????????????????path/*.jpg?????#?glob????????????????????????????????????????????????????"https://youtu.be/Zgi9g1ksQHc"??#?YouTube????????????????????????????????????????????????????"rtsp://example.com/media.mp4"??#?RTSP,?RTMP,?HTTP?stream
默認(rèn)情況下，所有結(jié)果都記錄為runs/train，并為每個新訓(xùn)練創(chuàng)建一個新的訓(xùn)練結(jié)果目錄，如runs/train/exp2、runs/train/exp3等。查看訓(xùn)練和測試JPG以查看 mosaics, labels, predictions and augmentation 效果。注意：Mosaic Dataloader 用于訓(xùn)練（如下所示），這是Ultralytics發(fā)表的新概念，首次出現(xiàn)在YOLOv4中。
train_batch0.jpg?顯示 batch 為 0 的 (mosaics and labels):
val_batch0_labels.jpg 展示測試 batch 為 0 的labels:
val_batch0_pred.jpg 展示測試 batch 為 0 predictions(預(yù)測):
訓(xùn)練訓(xùn)損失和性能的指標(biāo)有記錄到Tensorboard和自定義結(jié)果中results.csv日志文件，訓(xùn)練訓(xùn)完成后作為結(jié)果繪制 results.png如下。在這里，我們展示了在COCO128上訓(xùn)練的YOLOV5結(jié)果
從零開始訓(xùn)練 (藍(lán)色)。
加載預(yù)訓(xùn)練權(quán)重 --weights yolov5s (橙色)。
具體的指標(biāo)分析詳見文章《模型精確度評估》
聲明：大多數(shù)情況下，只要數(shù)據(jù)集足夠大且標(biāo)記良好，就可以在不改變模型或訓(xùn)練設(shè)置的情況下獲得良好的結(jié)果。如果一開始你沒有得到好的結(jié)果，你可以采取一些步驟來改進(jìn)，但我們始終建議用戶在考慮任何更改之前先使用所有默認(rèn)設(shè)置進(jìn)行一次訓(xùn)練。這有助于建立評估基準(zhǔn)和發(fā)現(xiàn)需要改進(jìn)的地方。
類似于YOLOv5x和YOLOv5x6的大型模型在幾乎所有情況下都會產(chǎn)生更好的結(jié)果，但參數(shù)更多，需要更多的CUDA內(nèi)存進(jìn)行訓(xùn)練，運(yùn)行速度較慢。
對于移動部署，我們推薦YOLOv5s/m，對于云部署，我們建議YOLOV5l/x。
（有關(guān)所有模型的完整比較）
從預(yù)先訓(xùn)練的權(quán)重開始訓(xùn)練。建議用于中小型數(shù)據(jù)集（即VOC、VisDrone、GlobalWheat）。將模型的名稱傳遞給--weights參數(shù)。模型自動從latest YOLOv5 releasse 下載 。
python?train.py?--data?custom.yaml?--weights?yolov5s??????????????????????????????????????????????yolov5m??????????????????????????????????????????????yolov5l??????????????????????????????????????????????yolov5x??????????????????????????????????????????????custom_pretrained?#?自定義的網(wǎng)絡(luò)結(jié)構(gòu)文件
從頭開始訓(xùn)練的話，推薦用大的數(shù)據(jù)集(即 COCO、Objects365、OIv6 )在 --cfg 選項后傳遞你感興趣的網(wǎng)絡(luò)結(jié)構(gòu)文件參數(shù) 以及空的?--weights ""?參數(shù)：
python?train.py?--data?custom.yaml?--weights?""?--cfg?yolov5s.yaml??????????????????????????????????????????????????????yolov5m.yaml??????????????????????????????????????????????????????yolov5l.yaml??????????????????????????????????????????????????????yolov5x.yaml
在修改任何內(nèi)容之前，首先使用默認(rèn)設(shè)置進(jìn)行訓(xùn)練，以建立性能基線。訓(xùn)練參數(shù)的完整列表,能夠在train.py文件中發(fā)現(xiàn)。
Epochs : 默認(rèn)訓(xùn)練300個epochs。如果早期過擬合，則可以減少訓(xùn)練。如果在300個周期后未發(fā)生過擬合，則可以訓(xùn)練更長，比如600、1200個epochs。
Image size: COCO以 --img 640,的分辨率進(jìn)行訓(xùn)練，但由于數(shù)據(jù)集中有大量的小對象，它可以從更高分辨率（如--img 1280）的訓(xùn)練中訓(xùn)練。如果有許多小對象，則自定義數(shù)據(jù)集將從更高分辨率的訓(xùn)練中獲益。最好的推斷結(jié)果是在相同的--img 處獲得的 ，即如果在-img 1280處進(jìn)行訓(xùn)練，也應(yīng)該在--img 1280處進(jìn)行測試和檢測。
Batch Size: 使用更大的 --batch-size 。能夠有效緩解小樣本數(shù)產(chǎn)生的batchnorm統(tǒng)計的錯誤。
Hyperparameters：默認(rèn)超參數(shù)在hyp.scratch-low.yaml文件中。我們建議你在考慮修改任何超參數(shù)之前，先使用默認(rèn)超參數(shù)進(jìn)行訓(xùn)練。一般來說，增加增強(qiáng)超參數(shù)將減少和延遲過度擬合，允許更長的訓(xùn)練和得到更高mAP值。減少損耗分量增益超參數(shù)，如hyp["obj"]，將有助于減少這些特定損耗分量中的過度擬合。有關(guān)優(yōu)化這些超參數(shù)的自動化方法，請參閱我們的 ?《超參數(shù)演化教程》。
...更多訓(xùn)練的超參數(shù)配置請查看本文的附錄。
這僅適用于多GPU分布式數(shù)據(jù)并行訓(xùn)練。
在訓(xùn)練之前，確保所有機(jī)器上的文件都相同，數(shù)據(jù)集、代碼庫等。之后，確保機(jī)器可以相互通信。
你必須選擇一臺主機(jī)器（其他機(jī)器將與之對話）。記下它的地址（master_addr）并選擇一個端口（master-port）。對于下面的示例，將使用master_addr=192.168.1.1和master_ port=1234。
要使用它，可以執(zhí)行以下指令：
#?On?master?machine?0$?python?-m?oneflow.distributed.launch?--nproc_per_node?G?--nnodes?N?--node_rank?0?--master_addr?"192.168.1.1"?--master_port?1234?train.py?--batch?64?--data?coco.yaml?--cfg?yolov5s.yaml?--weights?""
#?On?machine?R$?python?-m?oneflow.distributed.launch?--nproc_per_node?G?--nnodes?N?--node_rank?R?--master_addr?"192.168.1.1"?--master_port?1234?train.py?--batch?64?--data?coco.yaml?--cfg?yolov5s.yaml?--weights?""
其中G是每臺機(jī)器的GPU數(shù)量，N是機(jī)器數(shù)量，R是從0到（N-1）的機(jī)器數(shù)量。
假設(shè)我有兩臺機(jī)器，每臺機(jī)器有兩個GPU，對于上面的情況，G=2，N=2，R=1。
在連接所有N臺機(jī)器之前，訓(xùn)練不會開始。輸出將僅顯示在主機(jī)上！
?
注意：
oneflow目前不支持windows平臺
--batch 必須是GPU數(shù)量的倍數(shù)。
GPU 0 將比其他GPU占用略多的內(nèi)存，因為它維護(hù)EMA并負(fù)責(zé)檢查點等。
如果你得到 RuntimeError: Address already in use ，可能是因為你一次正在運(yùn)行多個訓(xùn)練程序。要解決這個問題，只需通過添加--master_port來使用不同的端口號，如下所示
$?python?-m?oneflow.distributed.launch?--master_port?1234?--nproc_per_node?2?...
配置代碼
#?preparet=https://github.com/Oneflow-Inc/one-yolov5:latest?&&?sudo?docker?pull?$t?&&?sudo?docker?run?-it?--ipc=host?--gpus?all?-v?"$(pwd)"/coco:/usr/src/coco?$tpip?install?--pre?oneflow?-f?https://staging.oneflow.info/branch/master/cu112cd?..?&&?rm?-rf?app?&&?git?clone?https://github.com/Oneflow-Inc/one-yolov5?-b?master?app?&&?cd?appcp?data/coco.yaml?data/coco_profile.yaml#?profilepython?train.py?--batch-size?16?--data?coco_profile.yaml?--weights?yolov5l??--epochs?1?--device?0?python?-m?oneflow.distributed.launch?--nproc_per_node?2?train.py?--batch-size?32?--data?coco_profile.yaml?--weights?yolov5l??--epochs?1?--device?0,1???python?-m?oneflow.distributed.launch?--nproc_per_node?4?train.py?--batch-size?64?--data?coco_profile.yaml?--weights?yolov5l??--epochs?1?--device?0,1,2,3??python?-m?oneflow.distributed.launch?--nproc_per_node?8?train.py?--batch-size?128?--data?coco_profile.yaml?--weights?yolov5l??--epochs?1?--device?0,1,2,3,4,5,6,7
train.py參數(shù)解析表
| 參數(shù) | help | 幫助 |
|---|---|---|
| --weight | initial weights path | 加載的權(quán)重文件路徑 |
| --cfg | model.yaml path | 模型配置文件，網(wǎng)絡(luò)結(jié)構(gòu) 路徑 |
| --data | dataset.yaml path | 數(shù)據(jù)集配置文件，數(shù)據(jù)集路徑 |
| --hyp | hyperparameters path | 超參數(shù)文件 路徑 |
| --epochs | Total training rounds | 訓(xùn)練總輪次 |
| --batch-size | total batch size for all GPUs, -1 for autobatch | 一次訓(xùn)練所選取的樣本數(shù) |
| --imgsz | train, val image size (pixels) | 輸入圖片分辨率大小 |
| --rect | rectangular training | 是否采用矩形訓(xùn)練，默認(rèn)False |
| --resume | resume most recent training | 接著打斷訓(xùn)練上次的結(jié)果接著訓(xùn)練 |
| --nosave | only save final checkpoint | 只保存最終的模型，默認(rèn)False |
| --noautoanchor | disable AutoAnchor | 不自動調(diào)整anchor，默認(rèn)False |
| --noplots | save no plot files | 不保存打印文件，默認(rèn)False |
| --evolve | evolve hyperparameters for x generations | 是否進(jìn)行超參數(shù)進(jìn)化，默認(rèn)False |
| --bucket | gsutil bucket | 谷歌云盤bucket，一般不會用到 |
| --cache | --cache images in "ram" (default) or "disk" | 是否提前緩存圖片到內(nèi)存，以加快訓(xùn)練速度，默認(rèn)False |
| --device | cuda device, i.e. 0 or 0,1,2,3 or cpu | 訓(xùn)練的設(shè)備，cpu；0(表示一個gpu設(shè)備cuda:0)；0,1,2,3(多個gpu設(shè)備) |
| --multi-scale | vary img-size +/- 50%% | 是否進(jìn)行多尺度訓(xùn)練，默認(rèn)False |
| --single-cls | train multi-class data as single-class | 數(shù)據(jù)集是否只有一個類別，默認(rèn)False |
| --optimizer | optimizer | 優(yōu)化器 |
| --sync-bn | use SyncBatchNorm, only available in DDP mode | 是否使用跨卡同步BN,在DDP模式使用 |
| --workers | max dataloader workers (per RANK in DDP mode) | dataloader的最大worker數(shù)量 |
| --project | save to project path | 保存到項目結(jié)果地址 |
| --name | save to project/name/ | 保存到項目結(jié)果/名稱 |
| --exist-ok | existing project/name ok, do not increment | 現(xiàn)有項目/名稱確定，不遞增，默認(rèn)False |
| --quad | quad dataloader | 四元數(shù)據(jù)加載器 開啟之后在尺寸大于640的圖像上識別效果更好，但是有可能會使在640尺寸的圖片上效果更差 |
| --cos-lr | cosine LR scheduler | 是否采用退火余弦學(xué)習(xí)率，默認(rèn)False |
| --label-smoothing | Label smoothing epsilon | 標(biāo)簽平滑 |
| --patience | EarlyStopping patience (epochs without improvement) | 早停機(jī)制，默認(rèn)False |
| --freez | Freeze layers: backbone=10, first3=0 1 2 | 凍結(jié)層數(shù)，默認(rèn)不凍結(jié) |
| --save-period | Save checkpoint every x epochs (disabled if < 1) | 用于記錄訓(xùn)練日志信息，int 型，默認(rèn) -1 |
| --seed | Global training seed | 隨機(jī)數(shù)種子設(shè)置 |
| --local_rank | Automatic DDP Multi-GPU argument, do not modify | 自動單機(jī)多卡訓(xùn)練 一般不改動 |
https://github.com/ultralytics/yolov5/wiki/Train-Custom-Data
https://docs.ultralytics.com/quick-start/
其他人都在看
GPT-3/ChatGPT復(fù)現(xiàn)的經(jīng)驗教訓(xùn)
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(xùn)練TB級推薦模型不是夢
GLM訓(xùn)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：
營業(yè)執(zhí)照公示信息