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.com/ultralytics/yolov5）通过 import oneflow as torch 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 5%-10% 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 One-YOLOv5 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.com/Oneflow-Inc/one-yolov5
文档网站地址：https://start.oneflow.org/oneflow-yolo-doc/index.html
OneFlow 安装方法：https://github.com/Oneflow-Inc/oneflow#install-oneflow
欢迎在 GitHub 上 Star One-YOLOv5 项目获取最新的动态，并在仓库提 Issue、PR。以下将详细介绍 One-YOLOv5 在 COCO 上的精度以及性能表现。
1、One-YOLOv5 与 Ultralytics/YOLOv5 精度一致
以 YOLOv5n 网络为例， result.csv
(https://oneflow-static.oss-cn-beijing.aliyuncs.com/one-yolo/YOLOv5n_results.csv) 这个日志展示了基于 One-YOLOv5 在 COCO 上从零开始训练 YOLOv5n 网络的日志。下图展示了 box_loss , obj_loss, cls_loss ，map_0.5, map_0.5:0.95 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，map_0.5 达到了 0.45174，map_0.5:0.95 达到了 0.27726。这与 Ultralytics/YOLOv5n 给出的精度数据一致。（https://github.com/ultralytics/yolov5#pretrained-checkpoints，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 Ultralytics/YOLOv5n 来验证：
输出：
上述输出可以说明，One-YOLOv5n 与 Ultralytics/YOLOv5n 的精度完全对齐。
在 One-YOLOv5n 从零开始训练 YOLOv5n 进行精度复现的命令为 (2 卡 DDP 模式) ：
2、小 batch 训练，One-YOLOv5 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 GTX 3080ti(12GB) 的 YOLOv5 测试结果（OneFlow 后端 vs PyTorch 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 OneFlow Eager 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 yolov5 code base：https://github.com/ultralytics/yolov5
OneFlow 版本 yolov5 code base：https://github.com/Oneflow-Inc/one-yolov5
CUDA 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：
可以看到，在 batch 比较小时，OneFlow 后端的 YOLOv5 相比 PyTorch 有 5%-10% 的性能优势，这得益于 OneFlow 的 Eager 运行时系统可以更快的做 CUDA Kernel Launch。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 CUDA Kernel Launch 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：
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。
其他人都在看
九大深度学习库；谷歌的文字生成视频两大利器
欢迎下载体验 OneFlow v0.8.0 最新版本：https://github.com/Oneflow-Inc/oneflow/
版权声明: 本文为 InfoQ 作者【OneFlow】的原创文章。
原文链接:【http://xie.infoq.cn/article/73b96b9ddbf5a4db9a0466c27】。文章转载请联系作者。
不至于成为世界上最快的深度学习框架。 2022-03-23 加入
★ OneFlow深度学习框架：github.com/Oneflow-Inc/oneflow ★ OF云平台：oneflow.cloud
评论