one-yolov5 v1.1.0 發布

本文的某些鏈接可能不能正常顯示，完整版本Release Note請看：https://github.com/Oneflow-Inc/one-yolov5/releases/tag/v1.1.0

feature

01 完善代碼倉庫的示例文檔 02 RTX 3090 FP32 YOLOv5s的訓練速度提升了近20%，其它網絡均有不同程度的加速 所有的優化都集中于 `bbox_iou_optim` 和 `multi_tensor_optimizer` 這兩個擴展的 Flag，只要我們訓練的時候打開這兩個Flag就可以享受到 [消費級顯卡的春天，RTX 3090 YOLOv5s單卡完整訓練COCO數據集縮短11.35個小時](https://mp.weixin.qq.com/s/Qh3JCAaPox3TUB0a6Lb_ug) 這里提到的所有優化了。其他的運行命令和 One-YOLOv5 原版本沒有變化，以 One-YOLOv5 在 RTX 3090 上使用 COCO 數據集訓練 yolov5s 為例， 命令為：

單卡	amp	epoch	gpu	batch	網絡結構文件	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

測試指令

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 對實驗跟蹤和可視化功能 使用coco128數據集 對 wandb 集成可視化測試示例
操作指南 04 oneflow_hub_support_pilimage 操作指南 05 為每個batch的compute_loss部分減少一次h2d和cpu slice_update操作 pr: optim_slice_update_in_compute_loss 06 優化 bbox_iou 函數和模型滑動平均部分，大幅提升訓練性能 消費級顯卡的春天，GTX 3090 YOLOv5s單卡完整訓練COCO數據集縮短11.35個小時 07 兼容FlowFlops，訓練時可以展示模型的FLOPs 基于 Flowflops 詳解深度學習網絡的 FLOPs 和 MACs 計算方案 08 模型權重發布ONNX版本，方便用戶直接部署驗證

bug fix

01 解決memory和loss顯示錯位問題 02 無法自動下載權重問題 03 修復單獨運行yolo.py腳本ModuleNotFoundError 04 修復通過追加保存模型的方式

one-yolov5 文檔更新

發布了的文章

• 0. one-yolov5特點解析
• 1. 消費級顯卡的春天，GTX 3090 YOLOv5s單卡完整訓練COCO數據集縮短11.35個小時
• 2. YOLOv5 網絡結構解析
• 3. 如何準備yolov5模型訓練數據
• 4. 快速開始
• 5. 從OneFlow Hub 加載YOLOv5
• 6. 測試時增強 (TTA)
• 7. 模型融合 (Model Ensembling)
• 8. 數據增強
• 9. 矩形推理
• 10. IOU深入解析
• 11. 模型精確度評估
• 12. 計算mAP用到的numpy函數
• 13. ONNX模型導出
• 14. train.py源碼解讀

持續新增中...

已開發待發布的教程和源碼解讀

• 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

訓練前，請先閱讀 本文的FAQ總結的一些常見問題 ！(這可以節省您的時間）

注意:

• oneflow目前不支持windows平臺
• 目前OneFlow 需要安裝 nightly 版本，等OneFlow后續新版本發布后可以安裝穩定版。
• --batch 必須是GPU數量的整數倍。
• ddp模式訓練時，GPU 0 將比其他GPU占用略多的內存，因為它維護EMA并負責檢查點等。

展望

下個版本我們將繼續優化YOLOv5的單卡和DDP性能，更為重要的是我們將盡力支持好Eager AMP的訓練進一步擴大我們相對于官方 YOLOv5 的性能優勢。