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：

python val.py  --weights yolov5n.pt --data data/coco.yaml --img 640 --iou 0.60

输出：

val: data=data/coco.yaml, weights=['yolov5n.pt'], batch_size=32, imgsz=640, conf_thres=0.001, iou_thres=0.6, max_det=300, task=val, device=, workers=8, single_cls=False, augment=False, verbose=False, save_txt=False, save_hybrid=False, save_conf=False, save_json=True, project=runs/val, name=exp, exist_ok=False, half=False, dnn=False
YOLOv5  v6.1-384-g7fd9867 Python-3.8.13 torch-1.10.0+cu113 CUDA:0 (NVIDIA GeForce RTX 3080 Ti, 12054MiB)

cuda:0
Fusing layers... 
YOLOv5n summary: 213 layers, 1867405 parameters, 0 gradients, 4.5 GFLOPs
val: Scanning '/data/dataset/fengwen/coco/val2017.cache' images and labels... 4952 found, 48 missing, 0 empty, 0 corrupt: 100%| 
                 Class     Images  Instances          P          R      mAP50   mAP50-95: 100%| | 157/157 [00:40<00:00,  3.
                   all       5000      36335      0.573      0.432      0.456      0.277

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)：

python  -m oneflow.distributed.launch --nproc_per_node 2 train.py --data  data/coco.yaml  --weights ' ' --cfg models/yolov5n.yaml --batch 64

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：

python train.py --batch 16 --cfg models/yolov5n.yaml --weights '' --data coco.yaml --img 640 --device 0 

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：

python -m oneflow.distributed.launch --nproc_per_node 2 train.py --batch 16 --data coco.yaml --weights '' --device 0,1

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 OneFlow v0.8.0 最新版本：
https://github.com/Oneflow-Inc/oneflow/