One-YOLOv5 v1.2.0发布：支持分类检测实例分割

Posted 2023-03-11 OneFlow深度学习框架

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了One-YOLOv5 v1.2.0发布：支持分类检测实例分割相关的知识，希望对你有一定的参考价值。

One-YOLOv5 v1.2.0正式发布。完整更新列表请查看链接：https://github.com/Oneflow-Inc/one-yolov5/releases/tag/v1.2.0，欢迎体验新版本，期待你的反馈。

新版本特性

1. 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

2. 支持flask_rest_api

3. 支持使用 wandb 对实验跟踪和可视化功能

4. oneflow_hub_support_pilimage

5.为每个batch的compute_loss部分减少一次h2d和cpu slice_update操作

6. 优化 bbox_iou 函数和模型滑动平均部分，大幅提升训练性能 (一块RTX 3090加速训练YOLOv5s，时间减少11个小时，速度提升20%)

7. 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)



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。

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：

https://start.oneflow.org/oneflow-yolo-doc/tutorials/03_chapter/quick_start.html#_4
分割和分类模型训练示例：

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

在COCO上的精度表现

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 300

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

在COCO上的单GPU性能表现

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