Treinamento Multi-GPU com YOLOv5

Este guia explica como usar corretamente múltiplas GPUs para treinar um conjunto de dados com YOLOv5 🚀 em uma ou várias máquinas.

Antes de Começar

Clone o repositório e instale os requirements.txt num ambiente Python>=3.8.0, incluindo PyTorch>=1.8. Os modelos e os conjuntos de dados são descarregados automaticamente a partir da última versão do YOLOv5.

git clone https://github.com/ultralytics/yolov5 # clone
cd yolov5
pip install -r requirements.txt # install

Treinamento

Selecione um modelo pré-treinado para começar o treinamento. Aqui, selecionamos o YOLOv5s, o modelo menor e mais rápido disponível. Consulte nossa tabela no README para uma comparação completa de todos os modelos. Treinaremos este modelo com Multi-GPU no conjunto de dados COCO.

GPU Única

python train.py --batch 64 --data coco.yaml --weights yolov5s.pt --device 0

Modo DataParallel Multi-GPU (⚠️ não recomendado)

Você pode aumentar a device para usar múltiplas GPUs no modo DataParallel.

python train.py --batch 64 --data coco.yaml --weights yolov5s.pt --device 0,1

Este método é lento e mal acelera o treinamento em comparação com o uso de apenas 1 GPU.

Modo DistributedDataParallel Multi-GPU (✅ recomendado)

Você terá que passar python -m torch.distributed.run --nproc_per_node, seguido pelos argumentos usuais.

python -m torch.distributed.run --nproc_per_node 2 train.py --batch 64 --data coco.yaml --weights yolov5s.pt --device 0,1

• --nproc_per_node especifica quantas GPUs você gostaria de usar. No exemplo acima, são 2.
• --batch é o tamanho total do batch. Ele será dividido uniformemente para cada GPU. No exemplo acima, é 64/2=32 por GPU.

O código acima usará GPUs 0... (N-1).

python -m torch.distributed.run --nproc_per_node 2 train.py --batch 64 --data coco.yaml --cfg yolov5s.yaml --weights '' --device 2,3

python -m torch.distributed.run --nproc_per_node 2 train.py --batch 64 --data coco.yaml --cfg yolov5s.yaml --weights '' --sync-bn

# On master machine 0
python -m torch.distributed.run --nproc_per_node G --nnodes N --node_rank 0 --master_addr "192.168.1.1" --master_port 1234 train.py --batch 64 --data coco.yaml --cfg yolov5s.yaml --weights ''

# On machine R
python -m torch.distributed.run --nproc_per_node G --nnodes N --node_rank R --master_addr "192.168.1.1" --master_port 1234 train.py --batch 64 --data coco.yaml --cfg yolov5s.yaml --weights ''

Notas

• O suporte ao Windows não foi testado, o Linux é recomendado.
• --batch deve ser um múltiplo do número de GPUs.
• A GPU 0 usará um pouco mais de memória do que as outras GPUs, pois mantém o EMA e é responsável pelo checkpointing, etc.

• Se você receber RuntimeError: Address already in use, pode ser porque você está executando vários treinamentos ao mesmo tempo. Para corrigir isso, simplesmente use um número de porta diferente adicionando --master_port como abaixo:

  python -m torch.distributed.run --master_port 1234 --nproc_per_node 2 ...
  

Resultados

Resultados de perfil DDP em uma instância AWS EC2 P4d com 8x A100 SXM4-40GB para YOLOv5l para 1 época COCO.

# prepare
t=ultralytics/yolov5:latest && sudo docker pull $t && sudo docker run -it --ipc=host --gpus all -v "$(pwd)"/coco:/usr/src/coco $t
pip3 install torch==1.9.0+cu111 torchvision==0.10.0+cu111 -f https://download.pytorch.org/whl/torch_stable.html
cd .. && rm -rf app && git clone https://github.com/ultralytics/yolov5 -b master app && cd app
cp data/coco.yaml data/coco_profile.yaml

# profile
python train.py --batch-size 16 --data coco_profile.yaml --weights yolov5l.pt --epochs 1 --device 0
python -m torch.distributed.run --nproc_per_node 2 train.py --batch-size 32 --data coco_profile.yaml --weights yolov5l.pt --epochs 1 --device 0,1
python -m torch.distributed.run --nproc_per_node 4 train.py --batch-size 64 --data coco_profile.yaml --weights yolov5l.pt --epochs 1 --device 0,1,2,3
python -m torch.distributed.run --nproc_per_node 8 train.py --batch-size 128 --data coco_profile.yaml --weights yolov5l.pt --epochs 1 --device 0,1,2,3,4,5,6,7

Como mostrado nos resultados, usar DistributedDataParallel com múltiplas GPUs fornece um escalonamento quase linear na velocidade de treinamento. Com 8 GPUs, o treinamento é concluído aproximadamente 6.5 vezes mais rápido do que com uma única GPU, mantendo o mesmo uso de memória por dispositivo.

FAQ

Se ocorrer um erro, por favor, leia a lista de verificação abaixo primeiro! (Pode poupar o seu tempo)

Ambientes suportados

A Ultralytics oferece uma variedade de ambientes prontos para uso, cada um pré-instalado com dependências essenciais como CUDA, CUDNN, Python e PyTorch, para dar o pontapé inicial em seus projetos.

• Notebooks GPU Gratuitos:
• Google Cloud: Guia de Início Rápido do GCP
• Amazon: Guia de Início Rápido AWS
• Azure: Guia de Início Rápido AzureML
• Docker: Guia de Início Rápido do Docker

Estado do Projeto

Este selo indica que todos os testes de Integração Contínua (CI) das Ações do GitHub YOLOv5 estão sendo aprovados com sucesso. Esses testes de CI verificam rigorosamente a funcionalidade e o desempenho do YOLOv5 em vários aspectos principais: treinamento, validação, inferência, exportação e benchmarks. Eles garantem uma operação consistente e confiável no macOS, Windows e Ubuntu, com testes realizados a cada 24 horas e a cada novo commit.

Créditos

Gostaríamos de agradecer a @MagicFrogSJTU, que fez todo o trabalho pesado, e a @glenn-jocher por nos guiar ao longo do caminho.

Veja Também

• Modo de Treinamento - Saiba mais sobre o treinamento de modelos YOLO com Ultralytics
• Ajuste de Hiperparâmetros - Otimize o desempenho do seu modelo
• Guia de Início Rápido do Docker - Configure seu ambiente Docker para treinamento

📅C riado há 1 ano ✏️ Atualizado há 27 dias

Comentários