v1.1.0

one-yolov5 v1.1.0 发布

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： python train.py --batch 16 --cfg models/yolov5s.yaml --weights '' --data coco.yaml --img 640 --device 0 --epoch 1 --bbox_iou_optim --multi_tensor_optimizer

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	1:26:22
PyTorch	False	1	1	8	hub/yolov5x6.yaml	1:36:29

测试指令

# OneFlow & yolov5s.yaml:
python train.py --batch  16 --cfg models/hub/yolov5x6.yaml --weights '' --data coco.yaml --img 640 --device 0 --epoch 1 --bbox_iou_optim --multi_tensor_optimize

# PyTorch & yolov5s.yaml:
python train.py --batch  16 --cfg models/hub/yolov5x6.yaml --weights '' --data coco.yaml --img 640 --device 0 --epoch 1

# OneFlow & hub/yolov5x6.yaml
python train.py --batch  8 --cfg models/hub/yolov5x6.yaml --weights '' --data coco.yaml --img 640 --device 0 --epoch 1  --hyp data/hyps/hyp.scratch-high.y --noautoanchor  --bbox_iou_optim --multi_tensor_optimizer

# PyTorch & hub/yolov5x6.yaml
python train.py --batch  8 --cfg models/hub/yolov5x6.yaml --weights '' --data coco.yaml --img 640 --device 0 --epoch 1  --hyp data/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。