郑州网站 建设,南宁建设网站制作,泰州市网站制作公司,做网站为什么要用源码One-YOLOv5 v1.2.0正式发布。完整更新列表请查看链接#xff1a;https://github.com/Oneflow-Inc/one-yolov5/releases/tag/v1.2.0#xff0c;欢迎体验新版本#xff0c;期待你的反馈。 1 新版本特性 1. 同步了Ultralytics YOLOv5的上游分支v7.0#xff0c;同时支持分类、目… 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。 1 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。 2 快速开始 安装 在Python3.7.0的环境中克隆版本仓并安装 requirements.txt包括 OneFlow nightly 或者 oneflow0.9.0 。 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 3 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 4 在COCO上的单GPU性能表现 测试环境 - 机器 ( 8GPU NVIDIA GeForce RTX 3090, 24268MiB)
- oneflow.__version__ 0.9.1cu117
- torch.__version__ 1.13.0cu117
- export NVIDIA_TF32_OVERRIDE0 # 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_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_OVERRIDE0 # 使用fp32
python \train.py \--batch-size 8 \--data coco.yaml \--weights \--cfg models/yolov5s.yaml \--img 640 \--epochs 1 \export NVIDIA_TF32_OVERRIDE0 # 使用fp32
python segment/train.py \--data coco.yaml \--weights \--cfg models/segment/yolov5s-seg.yaml \--img 640 \--epochs 1 \--batch-size 8 5bug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_DEVICES1 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 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 常用预训练模型下载列表 其他人都在看 GPT-3/ChatGPT复现的经验教训 超越ChatGPT大模型的智能极限 YOLOv5解析教程:计算mAP用到的Numpy函数 ChatGPT作者Schulman我们成功的秘密武器 比快更快开源Stable Diffusion刷新作图速度 OneEmbedding:单卡训练TB级推荐模型不是梦 GLM训练加速性能最高提升3倍显存节省1/3 欢迎Star、试用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/ Disable checkingPremium suggestions
