One-YOLOv5 v1.1.0发布

one-yolov5 v1.1.0 发布

本文的某些链接可能不能正常显示，完整版本Release Note请看：https://github.com/Oneflow-Inc/one-yolov5/releases/tag/v1.1.0

feature

01 完善代码仓库的示例文档 02 RTX 3090 FP32 YOLOv5s的训练速度提升了近20%，其它网络均有不同程度的加速 所有的优化都集中于 `bbox_iou_optim` 和 `multi_tensor_optimizer` 这两个扩展的 Flag，只要我们训练的时候打开这两个Flag就可以享受到 [消费级显卡的春天，RTX 3090 YOLOv5s单卡完整训练COCO数据集缩短11.35个小时](https://mp.weixin.qq.com/s/Qh3JCAaPox3TUB0a6Lb_ug) 这里提到的所有优化了。其他的运行命令和 One-YOLOv5 原版本没有变化，以 One-YOLOv5 在 RTX 3090 上使用 COCO 数据集训练 yolov5s 为例， 命令为：

单卡	amp	epoch	gpu	batch	网络结构文件	time(min)
OneFlow	False	1	1	8	yolov5s.yaml	14:53
PyTorch	False	1	1	8	yolov5s.yaml	25:10
OneFlow	False	1	1	16	yolov5s.yaml	12:11
PyTorch	False	1	1	16	yolov5s.yaml	14:38
OneFlow	False	1	1	8	hub/yolov5x6.yaml	122
PyTorch	False	1	1	8	hub/yolov5x6.yaml	129

测试指令

pythontrain.py--batch16--cfgmodels/hub/yolov5x6.yaml--weights''--datacoco.yaml--img640--device0--epoch1--bbox_iou_optim--multi_tensor_optimize

#
pythontrain.py--batch16--cfgmodels/hub/yolov5x6.yaml--weights''--datacoco.yaml--img640--device0--epoch1

#
pythontrain.py--batch8--cfgmodels/hub/yolov5x6.yaml--weights''--datacoco.yaml--img640--device0--epoch1--hypdata/hyps/hyp.scratch-high.y--noautoanchor--bbox_iou_optim--multi_tensor_optimizer

#
pythontrain.py--batch8--cfgmodels/hub/yolov5x6.yaml--weights''--datacoco.yaml--img640--device0--epoch1--hypdata/hyps/hyp.scratch-high.y--noautoanchor

03 支持使用 wandb 对实验跟踪和可视化功能 使用coco128数据集 对 wandb 集成可视化测试示例
操作指南 04 oneflow_hub_support_pilimage 操作指南 05 为每个batch的compute_loss部分减少一次h2d和cpu slice_update操作 pr: optim_slice_update_in_compute_loss 06 优化 bbox_iou 函数和模型滑动平均部分，大幅提升训练性能 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 07 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 08 模型权重发布ONNX版本，方便用户直接部署验证

bug fix

01 解决memory和loss显示错位问题 02 无法自动下载权重问题 03 修复单独运行yolo.py脚本ModuleNotFoundError 04 修复通过追加保存模型的方式

one-yolov5 文档更新

发布了的文章

• 0. one-yolov5特点解析
• 1. 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
• 2. YOLOv5 网络结构解析
• 3. 如何准备yolov5模型训练数据
• 4. 快速开始
• 5. 从OneFlow Hub 加载YOLOv5
• 6. 测试时增强 (TTA)
• 7. 模型融合 (Model Ensembling)
• 8. 数据增强
• 9. 矩形推理
• 10. IOU深入解析
• 11. 模型精确度评估
• 12. 计算mAP用到的numpy函数
• 13. ONNX模型导出
• 14. train.py源码解读

持续新增中...

已开发待发布的教程和源码解读

• tutorial.ipynb
• tutorials/03_chapter/intro_to_wandb.md
• source_code_interpretation/augmentations.py
• source_code_interpretation/dataloaders.py
• source_code_interpretation/downloads.py
• source_code_interpretation/general.py
• source_code_interpretation/plots_py.md
• source_code_interpretation/callbacks_py.md
• source_code_interpretation/detect_py.md
• source_code_interpretation/val_py.md
• source_code_interpretation/utils/loss_py

FAQ

训练前，请先阅读 本文的FAQ总结的一些常见问题 ！(这可以节省您的时间）

注意:

• oneflow目前不支持windows平台
• 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。
• --batch 必须是GPU数量的整数倍。
• ddp模式训练时，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。

展望

下个版本我们将继续优化YOLOv5的单卡和DDP性能，更为重要的是我们将尽力支持好Eager AMP的训练进一步扩大我们相对于官方 YOLOv5 的性能优势。

---

审核编辑 ：李倩