yolov8使用train.py的多卡训练错误

已于 2023-03-28 09:30:22 修改
阅读量1.6k 收藏 3
点赞数
文章标签： YOLO 深度学习 python
于 2023-03-21 09:39:51 首次发布
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/weixin_44883371/article/details/129681748
版权
门前大橋下丶
关注
  • 0
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
yolov8 ddp训练报错，代码bug修改
weixin_41012399的博客
11-13 389
单机多卡没错，多机多卡报错。修改两处处代码解决问题。
5G多卡聚合测试-深圳高新科技生态园.mp4
07-30
5G多卡聚合测试-深圳高新科技生态园.mp4
YOLOv8修改了网络结构后，多卡训练报错：torch.distributed.elastic.multiprocessing.errors.ChildFailedError
记录我目之所及的世界
12-25 801
YOLOv8修改了网络结构后，多卡训练报错：torch.distributed.elastic.multiprocessing.errors.ChildFailedError
YOLOv8多机多卡训练
weixin_45231460的博客
03-22 871
参考YOLOv5多机多卡训练。
yolov8训练进阶：自定义训练脚本，从配置文件载入训练超参数
Awesome Computer Vision, 做计算机视觉的程序员
08-14 6365
该脚本通过argparse来接受命令行参数，并设置到超参数字典，和yolov5的启动脚本类似。data: 数据集配置文件hyp: 参数配置文件（上一节我们建立的）model: 模型权重或者模型结构配置文件其他参数根据名字就显而易见了。本文介绍了如何使用自定义训练脚本的方式启动yolov8的训练，有效的结合命令行和配置文件的优点，即可以灵活的修改训练参数，又可以用配置文件来管理我们的训练超参数。并通过修改文件，支持了DDP训练。
Yolov8训练时卡在加载权重界面
cqjnovo的博客
05-01 2224
问题描述：
YOLOv8多卡训练报错TypeError: barrier() got an unexpected keyword argument ‘device_ids‘
关于我的学习记录
07-20 1854
YOLOv8多卡训练报错TypeError: barrier() got an unexpected keyword argument 'device_ids'
YOLOv8常见报错集合（ModuleNotFoundError、NameError、KeyError、nan值及map全为0、​ CUDA out of memory、[WinError 145​）
weixin_45303602的博客
09-13 8383
执行后又报错在 task.py 中没有 ultralytics 模块， 同样在 task.py 前加入上述代码。batchsize设置处于电脑显存的临界位置，运行过程不稳定，可能前期没有问题，后期出现map为。如果执行后仍然出现该报错，则同样在出现报错的代码前加入该段代码即可。这个没办法，唯一的解决办法是使用cuda10.2的配置。可能训练速度慢一点，但是也勉强能用吧，亲测是有效的。在utils文件下的datasets的第81行，将。打开pycharm的终端，就是最底下的一行。batchsize设置问题。
【深度学习】【YoloV5】单机多卡训练 多机多卡训练
q742971636的博客
03-30 9100
使用pytorch的 DistributedDataParallel Mode 进行单机多卡训练。(推荐)
torch.distributed.elastic.multiprocessing.api: [WARNING] Sending process 141——YOLOv8双卡训练报错的解决方法
blink182007的博客
11-06 2221
subprocess.CalledProcessError: Command '['D:\\Anaconda\\envs\\YOLO8\\python.exe', '-m', 'torch.distributed.run', '--nproc_per_node', '2', '--master_port', '58127', 'C:\\Users\\amax这是由于上一次双卡训练直接在pycharm的terminal里面直接Ctrl+C按下去，然后终止了训练，这样可能导致了进程没有完全杀死，没有释放该进程。
「分布式训练」+ DDP单机多卡并行指南
07-20
本课件包含对分布式训练及Pytorch两种主要的并行训练方式DP以及DDP的原理介绍， 以及使用 DDP 实现单机多卡并行方式的代码修改要点总结。
基于pytorch的单机多卡分布式训练源码
09-06
基于pytorch的单机多卡分布式训练源码，已经测试可用，找了很多资料，这个可以完美适用于单机多卡的训练。 注意，是非常完美地适用于单机多卡的训练！！！
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
DeepLearning4j-使用Java训练YOLO模型
01-27
本文来自于csdn，文章介绍了数据集、模型训练中读取训练数据以及模型检测可视化等相关内容。在这个Yolov3发布的大好日子。 Deeplearning4j终于迎来了新的版本更新1.0.0-alpha，在zoomodel中引入TinyYolo模型可以训练自己的数据用于目标检测。 不得不说，在Yolov3这种性能和准确率上面都有大幅度提升的情况下，dl4j才引入TinyYolo总有一种49年加入国军的感觉 数据来源自
基于YOLOv8的各种瓶子识别检测系统源码(部署教程+训练好的模型+各项评估指标曲线).zip
08-22
基于YOLOv8的各种瓶子识别检测系统源码(部署教程+训练好的模型+各项评估指标曲线).zip 平均准确率：0.95 类别：bottle 【资源介绍】 1、ultralytics-main ultralytics-main为YOLOv8源代码，里面涵盖基于yolov8分类、目标检测额、姿态估计、图像分割四部分代码，我们使用的是detect部分，也就是目标检测代码 2、搭建环境 安装anaconda 和 pycharm windows系统、mac系统、Linux系统都适配 在anaconda中新建一个新的envs虚拟空间(可以参考博客来)，命令窗口执行：conda create -n YOLOv8 python==3.8 创建完YOLOv8-GUI虚拟空间后，命令窗口执行：source activate YOLOv8 激活虚拟空间 然后就在YOLOv8虚拟空间内安装requirements.txt中的所有安装包，命令窗口执行：pip install -r requirements.txt 使用清华源安装更快 3、训练模型过程 进入到\ultralytics-main\ultralytics\yolo\v8\detect\文件夹下，datasets即为我们需要准备好的数据集，训练其他模型同理。 data文件夹下的bicycle.yaml文件为数据集配置文件，该文件为本人训练自行车检测模型时创建，训练其他模型，可自行创建。博文有介绍https://blog.csdn.net/DeepLearning_?spm=1011.2415.3001.5343 train.py中238行，修改为data = cfg.data or './bicycle.yaml' # or yolo.ClassificationDataset("mnist") 237行修改自己使用的预训练模型 若自己有显卡，修改239行，如我有四张显卡，即改成args = dict(model=model, data=data, device=”0,1,2,3“) 以上配置完成后运行train.py开始训练模型，训练完毕后会在runs/detect/文件夹下生成train*文件夹，里面包含模型和评估指标等 4、推理测试 训练好模型，打开predict.py，修改87行，model = cfg.model or 'yolov8n.pt'，把yolov8n.pt换成我们刚才训练完生成的模型路径(在\ultralytics-main\ultralytics\yolo\v8\detect\runs\detect文件夹下)，待测试的图片或者视频存放于ultralytics\ultralytics\assets文件夹， 运行predict.py即可，检测结果会在runs/detect/train文件夹下生成。
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
mmdetection/mmdet/datasets/pipelines/loading.py @PIPELINES.register_module class LoadImageFromFile(object): def __init__(self, to_float32=False, color_type='color'): self.to_float32 = to_...
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...
【深度学习】YOLOv5，金属表面的缺陷检测，GC10-DET数据集
最新发布
q742971636的博客
04-26 451
数据集的lable文件夹下是每个图片的框和类别标记，是xml格式。
yolov8的单卡训练和多卡训练
12-10
yolov8是一种目标检测算法，支持单卡训练和多卡训练。下面是单卡训练和多卡训练的介绍和演示： 1. 单卡训练 单卡训练是指在一张显卡上进行训练。在yolov8中，可以通过以下命令进行单卡训练： ```shell python train.py --task detect --model yolov8n.yaml --device 0 ``` 其中，--device 0表示使用第一张显卡进行训练。如果你有多张显卡，可以通过更改--device参数的值来指定使用哪张显卡进行训练。 2. 多卡训练 多卡训练是指在多张显卡上进行训练。在yolov8中，可以通过以下命令进行多卡训练： ```shell python -m torch.distributed.launch --nproc_per_node=4 train.py --task detect --model yolov8n.yaml --device 0,1,2,3 ``` 其中，--nproc_per_node=4表示使用4张显卡进行训练，--device 0,1,2,3表示使用前4张显卡进行训练。如果你有更多的显卡，可以通过更改--nproc_per_node和--device参数的值来指定使用多少张显卡进行训练。

“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
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
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