One-YOLOv5 v1.2.0 发布：支持分类、检测、实例分割

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-yolov5pip 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

5
bug 修复

以下记录了一些用户反馈的常见问题：

1. 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的介绍或者导出 ONNX 模型进行部署时代码有错误。

2. 让 batch 维度可以动态，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

3. 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。这是旧版本创建的文件但是没清理，删除就可以解决。

4. 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_chapter/intro_to_wandb.html)

5. 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，可以通过 export CUDA_VISIBLE_DEVICES=1 手动控制。

6. autobatch 功能

OneFlow 缺少 memory_reserved API，我们会尽快补齐，现在需要先手动指定下 batch_size。下个版本将会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