Formación Multi-GPU

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

Antes de empezar

Clonar repo e instalar requirements.txt en a Python>=3.8.0 incluyendo PyTorch>=1.8. Los modelos y conjuntos de datos se descargan automáticamente de la últimaversión de YOLOv5 .

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

💡 ¡ProTip! Imagen Docker se recomienda para todas las formaciones Multi-GPU . Véase Guía de inicio rápido de Docker

💡 ¡ProTip! torch.distributed.run sustituye a torch.distributed.launch en PyTorch>=1.9. Véase docs para más detalles.

Formación

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

YOLOv5 Modelos

Único GPU

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

Multi-GPU DataModo paralelo (⚠️ no recomendado)

Puede aumentar el device para utilizar múltiples GPUs 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 sólo 1 GPU.

Multi-GPU DistributedDataModo paralelo (✅ recomendado)

Tendrá que pasar python -m torch.distributed.run --nproc_per_nodeseguido 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 quieres utilizar. En el ejemplo anterior, es 2. --batch es el tamaño total del lote. Se dividirá equitativamente entre cada GPU. En el ejemplo anterior, es 64/2=32 por GPU.

El código anterior utilizará GPUs 0... (N-1).

Utilizar GPU específicas (haga clic para ampliar)

Puedes hacerlo simplemente pasando `--device` seguido de tus GPUs específicas. Por ejemplo, en el código siguiente, utilizaremos las GPUs `2,3`.

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

Utilice SyncBatchNorm (haga clic para ampliar)

[SyncBatchNorm](https://pytorch.org/docs/master/generated/torch.nn.SyncBatchNorm.html) could increase [accuracy](https://www.ultralytics.com/glossary/accuracy) for multiple gpu training, however, it will slow down training by a significant factor. It is **only** available for Multiple GPU DistributedDataParallel training. It is best used when the batch-size on **each** GPU is small (<= 8). To use SyncBatchNorm, simple pass `--sync-bn` to the command like below,

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

Utilizar varias máquinas (haga clic para ampliar)

Esto **sólo** está disponible para la formación Multiple GPU DistributedDataParallel. Antes de continuar, asegúrese de que los archivos de todas las máquinas son los mismos, conjunto de datos, base de código, etc. Después, asegúrese de que las máquinas pueden comunicarse entre sí. Tendrás que elegir una máquina maestra (la máquina con la que hablarán las demás). Anota su dirección (`master_addr`) y elige un puerto (`master_port`). Usaré `dirección_maestra = 192.168.1.1` y `puerto_maestra = 1234` para el ejemplo de abajo. Para usarlo, puedes hacer lo siguiente,

# 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 ''

donde `G` es el número de GPU por máquina, `N` es el número de máquinas, y `R` es el número de máquinas desde `0...(N-1)`. Digamos que tengo dos máquinas con dos GPUs cada una, sería `G = 2` , `N = 2`, y `R = 1` para lo anterior. El entrenamiento no empezará hasta que todos `N` máquinas están conectadas. La salida sólo se mostrará en la máquina maestra.

Notas

La compatibilidad con Windows no está probada, se recomienda Linux.
--batch debe ser múltiplo del número de GPUs.
GPU 0 ocupará algo más de memoria que las otras GPUs, ya que mantiene EMA y es responsable de los puntos de control, etc.
Si consigues RuntimeError: Address already in usepuede deberse a que esté realizando varios cursos a la vez. Para solucionarlo, simplemente utilice un número de puerto diferente añadiendo --master_port como abajo,

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

Resultados

Resultados de perfiles DDP en una instancia AWS EC2 P4d con 8x A100 SXM4-40GB para YOLOv5l para 1 COCO epoch.

Perfilar el código

# 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

GPUs A100	tamaño del lote	CUDA_mem ^{dispositivo0 (G)}	^Tren COCO	COCO ^val
1x	16	26 GB	20:39	0:55
2x	32	26 GB	11:43	0:57
4x	64	26 GB	5:57	0:55
8x	128	26 GB	3:09	0:57

PREGUNTAS FRECUENTES

Si se produce un error, lea primero la siguiente lista de comprobación. (Podría ahorrarle tiempo)

Lista de control (haga clic para ampliar)

¿Has leído bien este post?
¿Has intentado volver a clonar el código base? El código cambia a diario.
¿Has intentado buscar tu error? Puede que alguien ya lo haya encontrado en este repo o en otro y tenga la solución.
¿Has instalado todos los requisitos enumerados en la parte superior (incluidas las versiones correctas de Python y Pytorch )?
¿Has probado en otros entornos de la lista de la sección "Entornos"?
¿Has probado con otro conjunto de datos como coco128 o coco2017? Así será más fácil encontrar la causa.

Si ha pasado por todo lo anterior, no dude en plantear una incidencia dando tantos detalles como sea posible siguiendo la plantilla.

Entornos compatibles

Ultralytics proporciona una serie de entornos listos para usar, cada uno de ellos preinstalado con dependencias esenciales como CUDA CUDNN, Pythony PyTorchpara poner en marcha sus proyectos.

Cuadernos gratuitos GPU:
Google Nube: 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

Este distintivo indica que todas las pruebas de integración continua (IC) deYOLOv5 GitHub Actions se han superado con éxito. Estas pruebas de IC comprueban rigurosamente la funcionalidad y el rendimiento de YOLOv5 en varios aspectos clave: formación, validación, inferencia, exportación y puntos de referencia. Garantizan un funcionamiento coherente y fiable en macOS, Windows y Ubuntu, con pruebas realizadas cada 24 horas y en cada nueva confirmación.

Créditos

Queremos dar las gracias a @MagicFrogSJTU, que hizo todo el trabajo pesado, y a @glenn-jocher por guiarnos por el camino.

Creado hace 1 año ✏️ Actualizado hace 1 mes