Link to this sectionالتدريب باستخدام وحدات معالجة رسومية (GPU) متعددة مع YOLOv5#

يشرح هذا الدليل كيفية تدريب YOLOv5 باستخدام وحدات معالجة رسومية (GPU) متعددة على جهاز واحد أو عبر أجهزة متعددة.

Link to this sectionقبل البدء#

قم باستنساخ المستودع وتثبيت requirements.txt في بيئة Python>=3.8.0، بما في ذلك PyTorch>=1.8. يتم تنزيل النماذج ومجموعات البيانات تلقائيًا من أحدث إصدار لـ YOLOv5.

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

Link to this sectionالتدريب#

اختر نموذجًا مدربًا مسبقًا لبدء التدريب منه. هنا نختار YOLOv5s، وهو نموذج صغير وسريع. راجع الجدول في ملف README الخاص بنا للحصول على مقارنة كاملة لجميع النماذج. سنقوم بتدريب هذا النموذج باستخدام وحدات معالجة رسومية متعددة على مجموعة بيانات COCO.

Link to this sectionوحدة معالجة رسومية (GPU) واحدة#

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

Link to this sectionوضع DataParallel لوحدات معالجة رسومية متعددة (⚠️ غير مستحسن)#

مرر معرفات متعددة لوحدات معالجة الرسومات إلى --device لتمكين وضع DataParallel:

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

يعد DataParallel بطيئًا ولا يسرع التدريب بشكل ملحوظ مقارنة باستخدام وحدة معالجة رسومية واحدة.

Link to this sectionوضع DistributedDataParallel لوحدات معالجة رسومية متعددة (✅ مستحسن)#

ابدأ أمر التدريب بـ python -m torch.distributed.run --nproc_per_node، ثم مرر الوسائط المعتادة:

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 هو عدد وحدات معالجة الرسومات المراد استخدامها. في المثال أعلاه، هو 2.
• --batch هو إجمالي حجم الدفعة (batch size)، مقسومًا بالتساوي عبر كل وحدة معالجة رسومية. في المثال أعلاه، هو 64 / 2 = 32 لكل وحدة.

يستخدم الأمر أعلاه وحدات معالجة الرسومات 0...(N-1). للتحكم في رؤية الجهاز من خلال متغيرات البيئة بدلاً من ذلك، اضبط CUDA_VISIBLE_DEVICES=2,3 (أو أي قائمة أخرى) قبل التشغيل.

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 ''

Link to this sectionملاحظات#

• دعم Windows غير مختبر؛ يُنصح باستخدام Linux.

• يجب أن يكون --batch مضاعفًا لعدد وحدات معالجة الرسومات.

• تستخدم وحدة معالجة الرسومات 0 ذاكرة أكثر قليلاً من غيرها لأنها تحتفظ بـ EMA وتتعامل مع نقاط التحقق (checkpointing).

• إذا حصلت على RuntimeError: Address already in use، فهذا يعني عادةً أن عمليات تدريب متعددة تستخدم نفس المنفذ. حدد منفذًا مختلفًا باستخدام --master_port:

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

Link to this sectionالنتائج#

DDP profiling results on an AWS EC2 P4d instance with 8x A100 SXM4-40GB for YOLOv5l for 1 COCO epoch.

# prepare
t=ultralytics/yolov5:latest && sudo docker pull $t && sudo docker run -it --runtime=nvidia --ipc=host --gpus all -v "$(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

كما هو موضح في النتائج، فإن استخدام DistributedDataParallel مع وحدات معالجة رسومية متعددة يوفر تحجيمًا خطيًا تقريبًا في سرعة التدريب. مع 8 وحدات معالجة رسومية، يكتمل التدريب أسرع بحوالي 6.5 مرة مقارنة باستخدام وحدة معالجة رسومية واحدة، مع الحفاظ على نفس استخدام الذاكرة لكل جهاز.

Link to this sectionالأسئلة الشائعة#

اقرأ قائمة المراجعة أدناه قبل فتح إصدار (issue) - غالبًا ما يوفر ذلك الوقت.

Link to this sectionالبيئات المدعومة#

توفر Ultralytics مجموعة من البيئات الجاهزة للاستخدام، حيث يتم تثبيت التبعيات الأساسية مسبقًا مثل CUDA، و CUDNN، و Python، و PyTorch، لبدء مشاريعك.

• دفاتر ملاحظات مجانية لوحدات معالجة الرسومات:
• Google Cloud: دليل البدء السريع لـ GCP
• Amazon: دليل البدء السريع لـ AWS
• Azure: دليل البدء السريع لـ AzureML
• Docker: دليل البدء السريع لـ Docker

Link to this sectionحالة المشروع#

تشير هذه الشارة إلى أن جميع اختبارات التكامل المستمر (CI) الخاصة بـ YOLOv5 GitHub Actions تمر بنجاح. تقوم اختبارات CI هذه بفحص دقة وأداء YOLOv5 عبر جوانب رئيسية مختلفة بشكل صارم: التدريب، والتحقق، والاستدلال، والتصدير، والمقاييس. وهي تضمن تشغيلًا متسقًا وموثوقًا على macOS و Windows و Ubuntu، مع إجراء الاختبارات كل 24 ساعة ومع كل التزام (commit) جديد.

Link to this sectionشكر وتقدير#

نود أن نشكر @MagicFrogSJTU، الذي قام بجميع الأعمال الشاقة، و @glenn-jocher لتوجيهنا على طول الطريق.

Link to this sectionشاهد أيضًا#

• وضع التدريب - تعرف على تدريب نماذج YOLO باستخدام Ultralytics
• ضبط المعلمات الفائقة - قم بتحسين أداء نموذجك
• دليل البدء السريع لـ Docker - قم بإعداد بيئة Docker الخاصة بك للتدريب