写在前面：本项目是基于 ultralytics 版 YOLOv5 源码改成 OneFlow 后端的结果，本工程的目的是做一个拥有更快训练速度的 YOLOv5 ，同时提供丰富的中文教程和源码细节解读，使得读者可以更加深入的了解 YOLOv5 。本 README 的其中一些部分也是直接用的 ultralytics 版 YOLOv5 README 的翻译，我们将相关链接替换为了 OneFlow 后端 YOLOv5 对应的链接。

最近新闻

• 🌟 v1.2.0 正式开源。v1.2.0同步了ultralytics yolov5的v7.0版本，同时支持分类，目标检测，实例分割等任务 详情请看：Release Note

  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。

• 🎉 代码仓库地址

• 🎉 文档网站地址

• 🎉 OneFlow 安装方法 (注意⚠️： 目前OneFlow 需要安装 nightly 版本，等OneFlow后续新版本发布后可以安装稳定版。此外 OneFlow 目前仅对Linux平台有完整支持，请 Windows 和 Macos 用户注意)

不过即使你对 OneFlow 带来的性能提升不感兴趣，我们相信OneYOLOv5文档网站中对 ultralytics/yolov5 相关教程的汉化以及源码剖析也会是从零开始深入学习 YOLOv5 一份不错的资料。欢迎在仓库给我们提出宝贵的意见。🌟🌟🌟

文档

请查看 文档网站 获取关于训练，测试和推理的完整文档。

快速开始案例

注意⚠️:

• oneflow目前不支持windows平台

• --batch 必须是GPU数量的倍数。

• GPU 0 将比其他GPU占用略多的内存，因为它维护EMA并负责检查点等。

快速开始案例

Train

YOLOv5实例分割模型支持使用 --data coco128-seg.yaml 参数自动下载 COCO128-seg 测试数据集(测试数据集表示能测试项目正常运行的小数据集)， 以及使用 bash data/scripts/get_coco.sh --train --val --segments 或者使用 python train.py --data coco.yaml 下载 COCO-segments 数据集

# Single-GPU
python segment/train.py --weights yolov5s-seg.of --data coco128-seg.yaml --epochs 5 --img 640

# Multi-GPU DDP
python -m oneflow.distributed.launch --nproc_per_node  4  segment/train.py --weights yolov5s-seg.of --data coco128-seg.yaml --epochs 5 --img 640 --device 0,1,2,3

注意 :

• {.of: 代表OneFlow预训练权重 , .pt: 代表 PyTorch 预训练权重 }
• --weights yolov5s-seg.of 表示使用OneFlow预训练权重 , 也是支持使用 PyTorch 预训练权重 如 --weights yolov5s-seg.pt
• 模型权重将自动从 github 下载(建议如果没有设置代理，可以提前将模型下载到电脑本地 使用 --weights 本地路径/yolov5s-seg.of)

val

在ImageNet-1k数据集上验证YOLOv5m-seg 模型的精度

bash data/scripts/get_coco.sh --val --segments  # download COCO val segments split (780MB, 5000 images)
python segment/val.py --weights yolov5s-seg.of --data coco.yaml --img 640  # validate

Predict

使用预训练模型(YOLOv5m-seg) 预测图片

python segment/predict.py --weights yolov5m-seg.of --data data/images/

Export

将 yolov5s-seg 模型导出为 ONNX 格式 示例

python export.py --weights yolov5s-seg.of --include onnx  --img 640 --device 0

为什么选择 one-yolov5

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

CheckPoints

注意: 这里的模型权重为v1.1.0版本的权重，最新权重下载 releases/tag/v1.2.0