yolov5单机多卡训练加速配置

最新推荐文章于 2023-12-22 12:25:44 发布
最新推荐文章于 2023-12-22 12:25:44 发布
阅读量1.2k 收藏 1
点赞数
文章标签： YOLO
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/g313105910/article/details/131044405
版权

用默认单卡训练速度太慢，这里配置多卡，并使用缓存，内存得够用要不然无法缓存

--device 0,1 --cache

--device 0,1这里的0就是显卡1，1就是显卡2，如果你有更多显卡，可以继续往下写

训练过程

通过GPU-Z查看2个显卡的占用率

显卡1

显卡2

花开花落的个人博客
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 2
    评论
萤火跑模型 | 多卡并行实现 YOLOv5 高性能训练
weixin_66945478的博客
12-09 1312
总的来说，完整的 hfai 相比原始训练方式有将近 50% 的训练提速，这得益于优秀的训练数据集管理，高速存储系统和优良的算子与通信能力；与轻量版 hfai 对比中，我们可以明显看到，在使用同样的数据加载模式下，hfreduce 和 hfai 优化算子充分利用加速卡计算资源，加速的具体表现为整体有近 20% 的进一步提速。YOLOv5 作为目标检测领域的旗舰模型，受到了广泛的关注。我们借助幻方萤火集群，很轻松地实现了集群特性与这套新的开发模式的打通，获得明显的加速效果，证明了萤火集群的易用性和实力。
【深度学习 pytorch yolov 单机多卡的训练命令方式和注意事项
weixin_40293999的博客
11-10 1986
一机多卡注意事项
【深度学习】【YoloV5】单机多卡训练 多机多卡训练
weixin_43960370的博客
04-04 1612
官网给的： https://github.com/ultralytics/yolov5/issues/475指定单显卡：1 使用pytorch 的DataParallel mode 指定多显卡（不推荐），为啥不推荐，因为反传的时候梯度默认都在0卡上算了，所以显存分配不均衡，在显卡0占用非常多，别的显卡的显存又占用没那么多。训练时间也没增加多少。1 单机多卡(推荐) 使用pytorch的 DistributedDataParallel Mode 进行单机多卡训练。(推荐)1 –nproc_per_no
目标检测 YOLOv5 - YOLOv5:v6版本多机多卡训练出现的错误及解决方案
flyfish
10-19 3122
目标检测 YOLOv5 - YOLOv5:v6版本多机多卡训练出现的错误及解决方案 flyfish 2021年4月份发布的 YOLOv5:v5版本，2021年10月份发布的 YOLOv5:v6版本 发布了更小的Nano模型YOLOv5n和YOLOv5n6 一. 改进的方面 整合了 Roboflow，使用Roboflow来组织、标注、准备、版本化和托管用于训练YOLOv5模型的数据集，Roboflow上有很多公开的数据集。 Nano模型保持了 yolov5s 模型的深度depth multiple =
关于YOLOv5的训练，GPU单卡、多卡设置，加速训练
最新发布
qq_44442727的博客
12-22 5441
yolov5毫无疑问是目前目标检测框架中非常准确快速的检测框架之一，在工业界和学术界应用广泛，其优势不言而喻。在模型训练或推理时，我们都想快速完成，特别是数据量很大的时候，效率就是非常迫切需要提升的。这里简单介绍一下yolov5的多种训练方法，便于理解深度学习的模型训练方法，同时基于自身的硬件条件选择高效的训练方法。如果条件允许，首推的是多卡DDP训练模式。
本地pytorch环境下利用YOLOv5训练自己的数据（包括加速训练参数设置与tensorboard查看）
qq_45874142的博客
05-25 4766
在本地环境利用YOLOv5训练自己的数据集（已完成）
多机多卡训练
weixin_41012399的博客
12-10 499
yolov5多机多卡训练，参考：https://blog.csdn.net/hymn1993/article/details/124124803。例如一共用两个机器，一个机器ip是"192.168.1.1"作为主机器，两一个ip不用管，只要和主机器保持连通即可。nccl报错，需要配置一下环境。
yoloV5 使用——训练速度慢，加速训练
TigerZ*的博客
08-17 1万+
首先大家会按照官方的readme文件进行安装，连接：https://github.com/ultralytics/yolov5 此时有两点需要注意： 1、强烈建议大家使用conda虚拟环境安装，这样不会扰乱其他项目的Python环境，关于conda虚拟环境的使用，建议参考我的另一篇博客： https://blog.csdn.net/u012863603/article/details/115764553 举例如下： conda create --name y...
ultralytics / yolov5，官方预训练权重yolov5x.pt
06-16
ultralytics / yolov5，官方预训练权重yolov5x.pt，从drive.google下载下来的
基于pytorch的单机多卡分布式训练源码
09-06
在PyTorch中，单机多卡分布式训练是一种优化深度学习模型训练效率的方法，它能够充分利用多GPU资源，加速模型的收敛过程。本教程将详细解释如何使用PyTorch实现单机多卡分布式训练，主要参考提供的源码文件`pytorch_...
2-20horovod多机多卡训练环境配置+训练流程1
08-08
在horovod下使用多机多卡需要满足以下3个先决条件：不同机器可以访问相同的文件：nfs不同机器使用相同的训练环境: Docker不同机器可以ssh交互：ss
mmdetectionv1.0.0-选择几张卡训练一个模型，单机多卡开多个训练任务(还有问题)—修改config-batch图像数目，学习率下降等–训练期间测试开启-训练灰度
12-22
训练灰度 如果你想训练灰度图，在这个版本，你应该： mmdetection/mmdet/datasets/pipelines/loading.py @PIPELINES.register_module class LoadImageFromFile(object): def __init__(self, to_float32=...
保姆教程白嫖GPU T4*2！Kaggle实现chatglm微调任务-单机多卡训练测试
05-27
5. **训练设置**：定义训练循环，包括批量大小、学习率、优化器、损失函数以及训练轮数。由于有两块GPU，可以将数据分布在两个设备上，加速训练过程。 6. **微调模型**：开始训练模型，观察训练损失和验证损失的...
Resnet实战：单机多卡DDP方式、混合精度训练
04-15
本例提取了植物幼苗数据集中的部分数据做数据集，数据集共有12种类别，模型使用最经典的resnet50，演示如何实现混合精度训练以及如何使用DDP的方式实现多卡并行训练。 通过本文你和学到： 1、如何使用混合精度训练...
YOLOV5 训练，前n个epoch不计算mAP（加快训练速度）
tty_fu的博客
06-02 367
由于每次迭代计算mAP需要耗费时间，不计算mAP可以加快迭代速度。只修改一行代码即可实现前n个epoch不计算mAP，从第n+1个epoch开始正常计算mAP。
一块RTX 3090加速训练YOLOv5s，时间减少11个小时，速度提升20%
OneFlow深度学习框架
12-07 1万+
很高兴为大家带来One-YOLOv5的最新进展，在《一个更快的YOLOv5问世，附送全面中文解析教程》发布后收到了很多算法工程师朋友的关注，十分感谢。不过，可能你也在思考一个问题：虽然OneFlow的兼容性做得很好，可以很方便地移植YOLOv5并使用OneFlow后端来进行训练，但为什么要用OneFlow？能缩短模型开发周期吗？解决了任何痛点吗？本篇文章将尝试回答这几个问题。我曾经也...
yolov5 提速多GPU训练显存低的问题
zqwwwm的博客
11-11 1万+
yolov5多GPU训练显存低 修改前： 按照配置，在train.py配置如下： 运行 python train.py 后nvidia-smi 显示显存占用如下： 修改后 参考yolov5 官方中的issue中，有人提到的分布式多进程的方法： 在yolov5运行的虚拟环境下，找到torch的distributed 的环境：比如我的在conda3/envs/rcnn/lib/python3.6/site-packages/torch/distributed/； 在distributed文件下，新建多进程的
YOLOv5训练速度慢的一些解决方法
热门推荐
weixin_54048889的博客
11-19 2万+
针对自建数据集，yolov5模型训练速度很慢的可能原因和解决方法。
yolov5单机多卡训练指南
11-19
以下是yolov5单机多卡训练的指南： 1. 确保你已经下载了yolov5源代码并将其存放在桌面上。 2. 安装必要的依赖项，例如pytorch，torchvision，opencv-python等。 3. 在终端中进入yolov5源代码所在的目录，并执行以下命令以安装其他依赖项： ```shell pip install -r requirements.txt ``` 4. 在终端中执行以下命令以启动单机多卡训练： ```shell python -m torch.distributed.launch --nproc_per_node 4 train.py --batch-size 16 --epochs 300 --data coco.yaml --cfg models/yolov5s.yaml --weights '' --sync-bn --device 0,1,2,3 ``` 其中，--nproc_per_node参数指定了使用的GPU数量，--batch-size参数指定了每个GPU的批量大小，--epochs参数指定了训练的轮数，--data参数指定了数据集的配置文件，--cfg参数指定了模型的配置文件，--weights参数指定了预训练模型的权重文件，--sync-bn参数指定了是否使用同步BN，--device参数指定了使用的GPU设备编号。 5. 等待训练完成后，在终端中执行以下命令以测试模型的性能： ```shell python test.py --weights runs/train/exp/weights/best.pt --data coco.yaml --cfg models/yolov5s.yaml --task val --device 0 ``` 其中，--weights参数指定了训练得到的最佳权重文件，--data参数指定了数据集的配置文件，--cfg参数指定了模型的配置文件，--task参数指定了测试的任务类型，--device参数指定了使用的GPU设备编号。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

花开花落的个人博客

你的鼓励是我最大的动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值