yolov5訓(xùn)練命令

 python .\train.py --data my.yaml --workers 8 --batch-size 32 --epochs 100

yolov5的訓(xùn)練很簡(jiǎn)單，下載好倉(cāng)庫(kù)，裝好依賴后，只需自定義一下data目錄中的yaml文件就可以了。這里我使用自定義的my.yaml文件，里面就是定義數(shù)據(jù)集位置和訓(xùn)練種類數(shù)和名字。

workers和batch-size參數(shù)的理解

一般訓(xùn)練主要需要調(diào)整的參數(shù)是這兩個(gè)：

workers

指數(shù)據(jù)裝載時(shí)cpu所使用的線程數(shù)，默認(rèn)為8。代碼解釋如下

parser.add_argument('--workers', type=int, default=8, help='max dataloader workers (per RANK in DDP mode)')

一般默使用8的話，會(huì)報(bào)錯(cuò)~~。原因是爆系統(tǒng)內(nèi)存，除了物理內(nèi)存外，需要調(diào)整系統(tǒng)的虛擬內(nèi)存。訓(xùn)練時(shí)主要看已提交哪里的實(shí)際值是否會(huì)超過(guò)最大值，超過(guò)了不是強(qiáng)退程序就是報(bào)錯(cuò)。

所以需要根據(jù)實(shí)際情況分配系統(tǒng)虛擬內(nèi)存(python執(zhí)行程序所在的盤)的最大值

batch-size

就是一次往GPU哪里塞多少?gòu)垐D片了。決定了顯存占用大小，默認(rèn)是16。

parser.add_argument('--batch-size', type=int, default=16, help='total batch size for all GPUs, -1 for autobatch')

訓(xùn)練時(shí)顯存占用越大當(dāng)然效果越好，但如果爆顯存，也是會(huì)無(wú)法訓(xùn)練的。我使用–batch-size 32時(shí)，顯存差不多能利用完。

兩個(gè)參數(shù)的調(diào)優(yōu)

對(duì)于workers，并不是越大越好，太大時(shí)gpu其實(shí)處理不過(guò)來(lái)，訓(xùn)練速度一樣，但虛擬內(nèi)存（磁盤空間）會(huì)成倍占用。

workers為4時(shí)的內(nèi)存占用

workers為8時(shí)的內(nèi)存占用

我的顯卡是rtx3050，實(shí)際使用中上到4以上就差別不大了，gpu完全吃滿了。但是如果設(shè)置得太小，gpu會(huì)跑不滿。比如當(dāng)workers=1時(shí)，顯卡功耗只得72W，速度慢了一半；workers=4時(shí)，顯卡功耗能上到120+w，完全榨干了顯卡的算力。所以需要根據(jù)你實(shí)際的算力調(diào)整這個(gè)參數(shù)。

2. 對(duì)于batch-size，有點(diǎn)玄學(xué)。理論是能盡量跑滿顯存為佳，但實(shí)際測(cè)試下來(lái)，發(fā)現(xiàn)當(dāng)為8的倍數(shù)時(shí)效率更高一點(diǎn)。就是32時(shí)的訓(xùn)練效率會(huì)比34的高一點(diǎn)，這里就不太清楚原理是什么了，實(shí)際操作下來(lái)是這樣。

總結(jié)

以上參數(shù)的調(diào)整能最大化顯卡的使用效率，其中的具體數(shù)值和電腦的實(shí)際配置還有模型大小、數(shù)據(jù)集大小有關(guān)，需要根據(jù)實(shí)際情況反復(fù)調(diào)整。當(dāng)然，要實(shí)質(zhì)提升訓(xùn)練速度，還是得有好顯卡（鈔能力）~~~~

最新評(píng)論