[Reproduce] VisDrone & SKU-110K

[miangder]

犀牛鸟任务：VisDrone & SKU-110K 复现结果

本次复现使用 YOLO-Master-v26.02 发布的 YOLO-Master-v0.1-N.pt 与
YOLO-Master-EsMoE-N.pt，以及项目内置的数据集配置：

• ultralytics/cfg/datasets/VisDrone.yaml
• ultralytics/cfg/datasets/SKU-110K.yaml

四组训练均已完成 120 轮。SKU-110K EsMoE-N 的第 1--103 轮在旧节点完成，因 GPU 2
驱动故障中断后迁移到 RTX 5090 节点恢复第 104--120 轮。恢复完成后已将两段原始
results.csv 合并为完整 120 轮记录，并对 epoch 120 的 last.pt 做了独立验证。
所有运行均保存了每轮 mAP50、mAP50-95、box_loss、cls_loss 和 moe_loss。
本报告只陈述实际日志结果。

新增文件

• scripts/reproduce/reproduce_visdrone.py：支持 --model v01 和 --model moe。
• scripts/reproduce/reproduce_sku110k.py：支持 --model v01 和 --model moe。
• scripts/reproduce/common.py：共享的训练、离线 W&B、逐 epoch 汇总与 Windows workers=0 兼容逻辑。
• README_reproduce.md：本报告。

环境

• 远端硬件：6 x NVIDIA GeForce RTX 2080 Ti，单卡显存 11 GB；本次使用 GPU 0、1、2。
• NVIDIA Driver：580.126.09。
• Python：3.8.10。
• PyTorch：2.1.2+cu121。
• Ultralytics：8.3.240。
• 训练设置：batch=4、workers=4、patience=0、W&B offline。

SKU-110K EsMoE-N 的恢复阶段在新节点执行：NVIDIA GeForce RTX 5090（32 GB）、
Driver 580.76.05、Python 3.12.3、PyTorch 2.11.0+cu128，训练参数保持
imgsz=640、batch=4、workers=4、patience=0。

官方发布权重的参数量为：YOLO-Master-v0.1-N 7.555M，
YOLO-Master-EsMoE-N 2.694M。数据集类别数会改变检测头，因此训练时模型摘要的参数量可能略有差异。

数据集下载

在仓库根目录运行。YAML 内置下载与标注转换逻辑：

python scripts/reproduce/reproduce_visdrone.py --download-only --wandb disabled
python scripts/reproduce/reproduce_sku110k.py --download-only --wandb disabled

数据集根目录不在默认位置时，先配置：

yolo settings datasets_dir=/path/to/datasets

训练命令

以下是本次使用的等价训练命令。脚本默认从 YOLO-Master-v26.02 Release 获取对应官方权重；离线服务器可通过 --v01-model 或 --esmoe-model 指向已下载的 .pt 文件。

# VisDrone 基线，imgsz=800
python scripts/reproduce/reproduce_visdrone.py --model v01 --epochs 120 --imgsz 800 --batch 4 --device 0 --workers 4 --patience 0 --wandb offline

# VisDrone EsMoE-N，imgsz=800
python scripts/reproduce/reproduce_visdrone.py --model moe --epochs 120 --imgsz 800 --batch 4 --device 1 --workers 4 --patience 0 --wandb offline

# SKU-110K 基线，imgsz=640
python scripts/reproduce/reproduce_sku110k.py --model v01 --epochs 120 --imgsz 640 --batch 4 --device 0 --workers 4 --patience 0 --wandb offline

# SKU-110K EsMoE-N，imgsz=640
python scripts/reproduce/reproduce_sku110k.py --model moe --epochs 120 --imgsz 640 --batch 4 --device 2 --workers 4 --patience 0 --wandb offline

复现结果

原 EsMoE-N 的近零 mAP 已定位为推理路径错误：当 top_k 等于专家数时，
验证仍错误执行了专家裁剪。修复后 VisDrone EsMoE-N 已完成 120 轮，验证
指标恢复正常。下表使用每个 results.csv 最后一行的实际记录。

数据集	模型	输入分辨率	训练轮数	mAP50	mAP50-95	Release 参数量	状态
VisDrone	YOLO-Master v0.1-N	800	120	0.42966	0.26027	7.555M	有效
VisDrone	YOLO-Master EsMoE-N	800	120	0.42482	0.25704	2.694M	有效
SKU-110K	YOLO-Master v0.1-N	640	120	0.91243	0.59063	7.555M	有效
SKU-110K	YOLO-Master EsMoE-N	640	120	0.91344	0.59013	2.694M	有效

训练日志

完整训练日志、逐 epoch CSV、训练参数、状态文件、图表及离线 W&B 运行包可从百度网盘链接下载：通过网盘分享的文件：离线日志
链接: https://pan.baidu.com/s/16IsBfEuPtp7hwnhE-rzOUw?pwd=n5vy 提取码: n5vy

已知问题与解决方案

• EsMoE-N 在 top_k == num_experts 时会错误进入带阈值的稀疏裁剪分支，造成验证近零 mAP。已在 ES_MOE._sparse_forward() 修复为与训练一致的稠密计算；VisDrone 复跑已完成并验证恢复正常。
• SKU-110K EsMoE-N 在第 103 轮触发 GPU 2 CUDA unspecified launch failure。旧节点随后使 PyTorch 无法初始化任何 CUDA 设备。恢复点迁移到 RTX 5090（32 GB，Driver 580.76.05，PyTorch 2.11.0+cu128）后，使用 rsync --partial --append-verify 完整校验数据集，并以 --resume --device 0 成功完成剩余 17 轮。
• 原始验证器缺少 LOCAL_RANK、torch_distributed_zero_first 导入，并错误调用不存在的 convert_ndjson_to_yolo_if_needed。已在 ultralytics/engine/validator.py 修复：仅对 .ndjson 调用现有转换器。四个 best.pt 已独立验证成功。
• SKU-110K 部分 JPEG 有截断或损坏警告。Ultralytics 会修复或跳过无法读取的样本，日志中保留了这些记录。
• 两个训练实例首次同时建立 labels.cache 时会竞争同一缓存文件。先完成一次缓存建立，或顺序启动首轮训练后再并行，可避免 UnpicklingError。
• Windows 环境应使用 --workers 0，否则多进程数据加载可能发生 I/O 死锁。
• 显存不足时先降低 --batch；本次 11 GB 显存使用 batch=4。

[skywalker-lt]

感谢同学分享！

注意到几个可能会影响复现准确性的地方：

• 训练的时候用的是三张卡 GPU 0,1,2 做DDP吗？如果是的话 batch=4 会报错因为batch size必须被卡数整除。如果是单卡训练的话已知问题与解决方案里关于validator.py里LOCAL_RANK和torch_distributed_zero_first的那部分可以去掉。
• 训练VisDrone数据集时建议用 --imgsz 640 控制实验变量，这是YOLO在VisDrone上的常用分辨率。--imgsz 800一般是小目标检测数据集的分辨率。训练分辨率的不同会导致结果出现偏差。
• 离线日志网盘文件的四个文件夹没有记录loss和mAP的results.csv，且files/output.log为空，请检查下是否上传了完整的训练log。

另外同学提到的convert_ndjson_to_yolo_if_needed和EsMoE的Sparse Inference的问题已在 #80, #81 修复，可以参考下