One-YOLOv5 v1.2.0 Released（支持分类，检测，实例分割）

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

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_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

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