OneFlow快速上手教程

作者：Edison_G

OneFlow我还没有正式试用，但是通过资料查找和代码解读，感觉上手还是比较简单，后期有机会和大家分享详细代码解读。

快速上手

安装 OneFlow 稳定发布版

使用以下命令安装 OneFlow 最新稳定版本：

python3 -m pip install --find-links https://oneflow-inc.github.io/nightly oneflow_cu102 --user

系统要求：

Python >= 3.5
Nvidia Linux x86_64 driver version >= 440.33

如果提示 找不到 对应版本，请尝试升级 pip：

python3 -m pip install --upgrade --user pip

安装 OneFlow with legacy CUDA

支持其它较早版本 CUDA 的 OneFlow 的安装方法如下：

python3 -m pip install --find-links https://oneflow-inc.github.io/nightly oneflow_cu101 --user
python3 -m pip install --find-links https://oneflow-inc.github.io/nightly oneflow_cu100 --user
python3 -m pip install --find-links https://oneflow-inc.github.io/nightly oneflow_cu92 --user
python3 -m pip install --find-links https://oneflow-inc.github.io/nightly oneflow_cu91 --user
python3 -m pip install --find-links https://oneflow-inc.github.io/nightly oneflow_cu90 --user

从源码编译安装 OneFlow

如果你希望通过编译源码安装 OneFlow，可以参考 OneFlow源码仓库的 README，在编译 OneFlow 源码之前，强烈推荐先阅读 Troubleshooting。

YoloV3

快速开始

开始前，请确保您已正确安装了oneflow，并且在python3环境下可以成功import oneflow。

git clone此仓库到本地

git clone --recursive https://github.com/Oneflow-Inc/oneflow_yolov3.git

2.安装python依赖库

pip install -r requirements.txt

3.在项目root目录下，执行:

./scripts/build.sh

执行此脚本，将cpp代码中自定义的op算子编译成可调用执行的.so文件，您将在项目路径下看到：

libdarknet.so
liboneflow_yolov3.so

预训练模型

我们使用了yolov3原作者提供的预训练模型—yolov3.weight ，经转换后生成了OneFlow格式的模型。下载预训练模型：of_model_yolov3.zip ，并将解压后的of_model文件夹放置在项目root目录下，即可使用。

预测/推理

运行：

sh yolo_predict.sh

或者：

sh yolo_predict_python_data_preprocess.sh

运行脚本后，将在data/result下生成检测后带bbox标记框的图片：

参数说明 - --pretrained_model 预训练模型路径

--label_path coco类别标签路径(coco.name)
--input_dir 待检测图片文件夹路径
--output_dir 检测结构输出路径
--image_paths 单个/多个待检测图片路径，如：

--image_paths 'data/images/000002.jpg' 'data/images/000004.jpg'

训练同样很简单，准备好数据集后，只需要执行：sh yolo_train.sh即可，数据集制作过程见下文【数据集制作】部分。

数据集制作

YoloV3支持任意目标检测数据集，下面我们以COCO2014制作过程为例，介绍训练/验证所需的数据集制作，其它数据集如PASCAL VOC或自定义数据集等，都可以采用相同格式。

资源文件

下载COCO2014训练集和验证集图片，将解压后的train2014和val2014放在data/COCO/images目录下

（如果本地已下载过COCO2014数据集，可以ln软链接images至本地train2014和val2014的父目录）

准备资源文件：labels，5k.part，trainvalno5k.part

wget -c https://pjreddie.com/media/files/coco/5k.part
wget -c https://pjreddie.com/media/files/coco/trainvalno5k.part
wget -c https://pjreddie.com/media/files/coco/labels.tgz

脚本

在data/COCO目录下执行脚本：

# get label file
tar xzf labels.tgz

# set up image list
paste <(awk "{print "$PWD"}" <5k.part) 5k.part | tr -d 't' > 5k.txt
paste <(awk "{print "$PWD"}" <trainvalno5k.part) trainvalno5k.part | tr -d 't' > trainvalno5k.txt

# copy label txt to image dir
find labels/train2014/ -name "*.txt"  | xargs -i cp {} images/train2014/
find labels/val2014/   -name "*.txt"  | xargs -i cp {} images/val2014/

执行脚本将自动解压缩labels.tgz文件，并在当前目录下生成5k.txt和trainvalno5k.txt，然后将labels/train2014和labels/val2014的的所有label txt文件复制到对应的训练集和验证集文件夹中( 保证图片和label在同一目录 )。

至此，完成整个数据集的准备过程。

训练

修改yolo_train.sh脚本中的参数，令：--image_path_file="data/COCO/trainvalno5k.txt"并执行：

sh yolo_train.sh

即可开始训练过程，更详细的参数介绍如下：

--gpu_num_per_node 每台机器使用的gpu数量
--batch_size batch 批大小
--base_lr 初始学习率
--classes 目标类别数量（COCO 80；VOC 20）
--model_save_dir 模型存放文件夹路径
--dataset_dir 训练/验证集文件夹路径
--num_epoch 迭代总轮数
--save_frequency 指定模型保存的epoch间隔