一个更快的YOLOv5问世，附送全面中文解析教程

　　作为计算机视觉领域的基础性技术，目标检测在业界具有广泛应用，而YOLO系列因其综合性能较好，成为广受欢迎的首选框架。
　　这次，为了让用户深入了解OneFlow训练目标检测模型的可行性以及性能的优越性，我们将Ultralytics版YOLOv5（https：github。comultralyticsyolov5）通过importoneflowastorch的方式迁移为OneFlow后端（对应YOLOv5的commit为：48a85314bc80d8023c99bfb114cea98d71dd0591）。
　　相比PyTorch，目前YOLOv5在OneFlow上进行小batch训练时有510的性能优势，而训练大batch的性能与PyTorch持平。
　　需要说明的是，本次发布的OneFlow后端的OneYOLOv5只是一个基础版本，还没有用任何优化技巧，相信在后续的一些定制化的性能优化技巧下（比如nn。Graph加持，算子的优化），OneFlow可以继续提升YOLOv5在COCO等数据集的训练速度，更有效缩短目标检测模型的训练时间。
　　此外，我们还推出了《YOLOv5全面解析教程》，其中对YOLOv5的相关教程进行了汉化，并添加了一系列详细的代码解读、原理讲解以及部署教程，并将逐步配备相应的视频讲解。相信这是一份很不错地从零开始深入学习YOLOv5的资料，希望帮助你更好地理解和使用YOLOv5。代码仓库地址：https：github。comOneflowInconeyolov5文档网站地址：https：start。oneflow。orgoneflowyolodocindex。htmlOneFlow安装方法：https：github。comOneflowInconeflowinstalloneflow
　　欢迎在GitHub上StarOneYOLOv5项目获取最新的动态，并在仓库提Issue、PR。以下将详细介绍OneYOLOv5在COCO上的精度以及性能表现。
　　1OneYOLOv5与UltralyticsYOLOv5精度一致
　　以YOLOv5n网络为例，result。csv（https：oneflowstatic。osscnbeijing。aliyuncs。comoneyoloYOLOv5nresults。csv）这个日志展示了基于OneYOLOv5在COCO上从零开始训练YOLOv5n网络的日志。下图展示了boxloss，objloss，clsloss，map0。5，map0。5：0。95等指标在训练过程中的变化情况：
　　可以看到，最终在第300个epoch时，map0。5达到了0。45174，map0。5：0。95达到了0。27726。这与UltralyticsYOLOv5n给出的精度数据一致。（https：github。comultralyticsyolov5pretrainedcheckpoints，注意官网给出的精度指定iou为0。65的精度，而上述csv文件中是在iou为0。60下的精度，使用我们训练的权重并把iou指定为0。65可以完全对齐官方给出的精度数据）。
　　关于这一点，我们可以使用UltralyticsYOLOv5n来验证：pythonval。pyweightsyolov5n。ptdatadatacoco。yamlimg640iou0。60
　　输出：val：datadatacoco。yaml，weights〔yolov5n。pt〕，batchsize32，imgsz640，confthres0。001，iouthres0。6，maxdet300，taskval，device，workers8，singleclsFalse，augmentFalse，verboseFalse，savetxtFalse，savehybridFalse，saveconfFalse，savejsonTrue，projectrunsval，nameexp，existokFalse，halfFalse，dnnFalseYOLOv5v6。1384g7fd9867Python3。8。13torch1。10。0cu113CUDA：0（NVIDIAGeForceRTX3080Ti，12054MiB）cuda：0Fusinglayers。。。YOLOv5nsummary：213layers，1867405parameters，0gradients，4。5GFLOPsval：Scanningdatadatasetfengwencocoval2017。cacheimagesandlabels。。。4952found，48missing，0empty，0corrupt：100ClassImagesInstancesPRmAP50mAP5095：100157157〔00：4000：00，3。all5000363350。5730。4320。4560。277
　　上述输出可以说明，OneYOLOv5n与UltralyticsYOLOv5n的精度完全对齐。
　　在OneYOLOv5n从零开始训练YOLOv5n进行精度复现的命令为（2卡DDP模式）：pythonmoneflow。distributed。launchnprocpernode2train。pydatadatacoco。yamlweightscfgmodelsyolov5n。yamlbatch64
　　2小batch训练，OneYOLOv5性能更优
　　以下性能结果都是直接将PyTorch切换为OneFlow之后测试的，还没有做针对性优化，后续会在此基础上继续提升OneFlow后端YOLOv5的训练速度。
　　在3080Ti的性能测试结果
　　单卡测试结果以下为GTX3080ti（12GB）的YOLOv5测试结果（OneFlow后端vsPyTorch后端）以下测试结果的数据配置均为coco。yaml，模型配置也完全一样，并记录训练完COCO数据集的1个epoch所需时间由于OneFlowEager目前AMP的支持还不完善，所以我们提供的结果均为FP32模式下进行训练的性能结果PyTorch版本yolov5codebase：https：github。comultralyticsyolov5OneFlow版本yolov5codebase：https：github。comOneflowInconeyolov5CUDA版本11。7，cuDNN版本为8。5。0测试命令（其中batch参数是动态变化的）为：pythontrain。pybatch16cfgmodelsyolov5n。yamlweightsdatacoco。yamlimg640device0
　　可以看到，在batch比较小时，OneFlow后端的YOLOv5相比PyTorch有510的性能优势，这得益于OneFlow的Eager运行时系统可以更快的做CUDAKernelLaunch。而batch比较大的时候OneFlow后端的YOLOv5相比于PyTorch的性能基本持平，这是因为当batch比较大时CUDAKernelLaunch的开销相比计算的开销会比较小。
　　两卡DDP测试结果配置和单卡均一致测试命令（其中batch参数是动态变化的）为：pythonmoneflow。distributed。launchnprocpernode2train。pybatch16datacoco。yamlweightsdevice0，1
　　在2卡DDP模式下，得益于单卡的性能优势，在batch比较小时，OneFlow后端的YOLOv5相比PyTorch的性能稍微领先，而对于大batch来说，OneFlow的性能相比PyTorch基本持平。
　　3总结
　　基于OneFlow移植Ultralytics版的YOLOv5，在精度训练达标的情况下可以在batch比较小时取得一些性能优势。此外，对想深入了解YOLOv5的用户，我们发布了《YOLOv5全面解析教程》，希望它可以成为帮助你学习YOLOv5的绝佳资料。
　　欢迎下载体验OneFlowv0。8。0最新版本：
　　https：github。comOneflowInconeflow