Nuplan数据集的训练速度慢,GPU无作用

在跑tuplan的训练模型时,发现第一次运行时,训练速度很慢,查看了一下nvidia-smi,发现GPU没有工作。这种情况是因为没有生成cache,所以在epoch0时运行速度很慢。

正确的方法是在配置文件中更改

py_func=cache,

cache.force_feature_computation=True

以下是tutorial原文:

  • If preprocessing takes a large amount of time, it can cause training to fail (especially in a distributed setting). It may be beneficial to create the feature cache by first running the caching with the argument py_func=cache cache.force_feature_computation=True. This will generate the features using CPU, which should speed up training dramatically. Once caching is complete, supply the overrides cache.force_feature_computation=False cache.cache_path=/path/to/cache cache.use_cache_without_dataset=True to avoid re-computing the features.
  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
要在Yolov8上进行自定义数据集GPU训练,您需要执行以下步骤: 1. 数据集准备:收集和标记您的自定义数据集。确保每个标记的对象都有对应的类别标签,并将它们转换为YOLO格式(例如,.txt或.annotation文件)。确保您的数据集包含训练图像和相应的标签。 2. 配置文件:在Yolov8上进行训练之前,您需要修改配置文件以适应您的数据集。打开`yolov8.cfg`文件,并对其进行必要的更改。主要修改包括类别数量(`classes`)和训练图像尺寸(`width`和`height`)。还可以根据需要调整其他超参数,如学习率和批量大小。 3. 权重文件:如果您没有预训练的权重文件,您可以从Darknet官方网站下载一个预训练的权重文件。这些权重文件是在COCO数据集训练而得到的,并且可以提供良好的初始参数。将预训练权重文件放在与配置文件相同的目录下。 4. 训练命令:使用GPU进行训练,您可以运行以下命令: ``` ./darknet detector train data/obj.data cfg/yolov8.cfg darknet53.conv.74 -gpus 0 ``` 其中,`data/obj.data`是包含数据集路径和类别信息的文件,`cfg/yolov8.cfg`是您修改后的配置文件,`darknet53.conv.74`是预训练的权重文件。 5. 训练过程:训练过程需要一定的时间,具体取决于数据集的大小和复杂性。在训练过程中,Yolov8会输出每个批次的损失和其他指标。您可以根据需要进行调整和优化。 6. 检测结果:一旦训练完成,您可以使用训练好的权重文件进行对象检测。使用`darknet detector test`命令,并指定相应的配置文件、权重文件和测试图像进行检测。 这些步骤可以帮助您在Yolov8上使用GPU进行自定义数据集训练。请注意,这只是一个简单的概述,具体的实施可能会因您的环境和需求而有所不同。

“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 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
实付
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