Entrenamiento Multi-GPU con YOLOv5

Esta guía explica cómo utilizar correctamente múltiples GPU para entrenar un conjunto de datos con YOLOv5 🚀 en una o varias máquinas.

Antes de empezar

Clona el repositorio e instala requirements.txt en un entorno Python>=3.8.0, incluyendo PyTorch>=1.8. Los modelos y los conjuntos de datos se descargan automáticamente desde la última versión de YOLOv5.

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

Entrenamiento

Seleccione un modelo preentrenado para comenzar el entrenamiento. Aquí seleccionamos YOLOv5s, el modelo más pequeño y rápido disponible. Consulte nuestra tabla README para obtener una comparación completa de todos los modelos. Entrenaremos este modelo con Multi-GPU en el conjunto de datos COCO.

GPU única

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

Modo DataParallel Multi-GPU (⚠️ no recomendado)

Puede aumentar el device para usar múltiples GPU en modo DataParallel.

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

Este método es lento y apenas acelera el entrenamiento en comparación con el uso de solo 1 GPU.

Modo DistributedDataParallel Multi-GPU (✅ recomendado)

Tendrá que pasar python -m torch.distributed.run --nproc_per_node, seguido de los argumentos habituales.

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 cuántas GPUs le gustaría usar. En el ejemplo anterior, es 2.
• --batch es el tamaño total del lote. Se dividirá uniformemente en cada GPU. En el ejemplo anterior, es 64/2=32 por GPU.

El código anterior utilizará 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

• La compatibilidad con Windows no está probada, se recomienda Linux.
• --batch debe ser un múltiplo del número de GPUs.
• La GPU 0 consumirá ligeramente más memoria que las otras GPU, ya que mantiene EMA y es responsable de la creación de puntos de control, etc.

• Si obtiene RuntimeError: Address already in use, podría deberse a que está ejecutando varios entrenamientos a la vez. Para solucionar esto, simplemente use un número de puerto diferente agregando --master_port como se muestra a continuación:

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

Resultados

Resultados de la creación de perfiles DDP en una instancia AWS EC2 P4d con 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 se muestra en los resultados, el uso de DistributedDataParallel con múltiples GPU proporciona un escalado casi lineal en la velocidad de entrenamiento. Con 8 GPU, el entrenamiento se completa aproximadamente 6.5 veces más rápido que con una sola GPU, manteniendo el mismo uso de memoria por dispositivo.

Preguntas frecuentes

Si se produce un error, ¡lea primero la siguiente lista de verificación! (Podría ahorrarle tiempo)

Entornos Compatibles

Ultralytics proporciona una gama de entornos listos para usar, cada uno preinstalado con dependencias esenciales como CUDA, CUDNN, Python y PyTorch, para poner en marcha sus proyectos.

• Notebooks GPU gratuitos:
• Google Cloud: Guía de inicio rápido de GCP
• Amazon: Guía de inicio rápido de AWS
• Azure: Guía de inicio rápido de AzureML
• Docker: Guía de inicio rápido de Docker

Estado del Proyecto

Esta insignia indica que todas las pruebas de Integración Continua (CI) de YOLOv5 GitHub Actions están pasando exitosamente. Estas pruebas de CI verifican rigurosamente la funcionalidad y el rendimiento de YOLOv5 en varios aspectos clave: entrenamiento, validación, inferencia, exportación y benchmarks. Aseguran un funcionamiento consistente y confiable en macOS, Windows y Ubuntu, con pruebas realizadas cada 24 horas y con cada nuevo commit.

Créditos

Nos gustaría agradecer a @MagicFrogSJTU, quien hizo todo el trabajo pesado, y a @glenn-jocher por guiarnos en el camino.

Ver También

• Modo de entrenamiento: aprenda a entrenar modelos YOLO con Ultralytics
• Ajuste de hiperparámetros - Optimiza el rendimiento de tu modelo
• Guía de inicio rápido de Docker - Configure su entorno Docker para el entrenamiento

📅 Creado hace 1 año ✏️ Actualizado hace 2 meses

Comentarios