YOLOv5를 사용한 다중 GPU 훈련

이 가이드는 단일 또는 여러 장비에서 YOLOv5 🚀로 데이터 세트를 훈련하기 위해 여러 GPU를 올바르게 사용하는 방법을 설명합니다.

시작하기 전에

requirements.txt를 복제하고 Python>=3.8.0 환경에 설치합니다. 여기에는 PyTorch>=1.8이 포함됩니다. 모델 및 데이터 세트는 최신 YOLOv5 릴리스에서 자동으로 다운로드됩니다.

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

ProTip!

Docker 이미지 은 모든 Multi-GPU 학습에 권장됩니다. 다음을 참조하십시오. Docker 빠른 시작 가이드

ProTip!

torch.distributed.run 다음으로 대체됩니다. torch.distributed.launch 에서 PyTorch>=1.9. 다음을 참조하십시오. PyTorch 분산 문서 자세한 내용은 참조하십시오.

훈련

훈련을 시작할 사전 훈련된 모델을 선택합니다. 여기서는 가장 작고 빠른 모델인 YOLOv5s를 선택합니다. 모든 모델에 대한 전체 비교는 README 표를 참조하세요. 이 모델을 GPU GPU로 훈련할 때는 COCO 데이터 세트에서 멀티 GPU로 훈련합니다.

YOLOv5 모델

단일 GPU

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

Multi-GPU DataParallel 모드 (⚠️ 권장되지 않음)

다음을 늘릴 수 있습니다. device DataParallel 모드에서 여러 GPU를 사용합니다.

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

이 방법은 느리고 GPU 1개만 사용하는 것에 비해 학습 속도가 거의 향상되지 않습니다.

Multi-GPU DistributedDataParallel 모드 (✅ 권장)

다음을 전달해야 합니다. python -m torch.distributed.run --nproc_per_node다음에 일반적인 인수가 옵니다.

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 사용할 GPU의 수를 지정합니다. 위 예에서는 2입니다.
--batch 총 배치 크기입니다. 각 GPU에 균등하게 분할됩니다. 위 예에서는 GPU당 64/2=32입니다.

위 코드는 GPU를 사용합니다. 0... (N-1). 설정할 수도 있습니다. CUDA_VISIBLE_DEVICES=2,3 환경 변수를 통해 장치 가시성을 제어하려는 경우 명령을 시작하기 전에 (또는 다른 목록)을 설정하십시오.

특정 GPU 사용 (클릭하여 확장)

`--device` 뒤에 특정 GPU를 전달하여 사용할 수 있습니다. 예를 들어 아래 코드에서는 GPU `2,3`을 사용합니다.

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

SyncBatchNorm 사용 (클릭하여 확장)

[SyncBatchNorm](https://docs.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, simply 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

여러 장비 사용 (클릭하여 확장)

이것은 다중 GPU DistributedDataParallel 훈련에만 **전용**으로 사용할 수 있습니다. 계속하기 전에 모든 머신의 파일, 데이터 세트, 코드베이스 등이 동일한지 확인하세요. 그 후, 머신들이 서로 통신할 수 있는지 확인하세요. 마스터 머신(다른 머신과 대화할 머신)을 선택해야 합니다. 주소(`master_addr`)를 적어두고 포트(`master_port`)를 선택합니다. 아래 예에서는 `master_addr = 192.168.1.1`과 `master_port = 1234`를 사용하겠습니다. 이를 사용하려면 다음과 같이 하면 됩니다:

# 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 ''

여기서 `G`는 머신당 GPU 개수, `N`은 머신 수, `R`은 `0...(N-1)`의 머신 번호입니다. GPU가 각각 2개씩 있는 머신이 두 대 있다고 가정하면, 위의 경우 `G = 2`, `N = 2`, `R = 1`이 됩니다. 모든 `N` 머신이 연결될 때까지 트레이닝이 시작되지 않습니다. 출력은 마스터 머신에만 표시됩니다!

참고 사항

Windows 지원은 테스트되지 않았으며, Linux를 권장합니다.
--batch GPU 수의 배수여야 합니다.
GPU 0은 EMA 유지하고 체크포인트 등을 담당하므로 다른 GPU보다 약간 더 많은 메모리를 차지합니다.
다음과 같은 오류가 발생하면 RuntimeError: Address already in use이는 여러 학습을 동시에 실행하고 있기 때문일 수 있습니다. 이 문제를 해결하려면 다음을 추가하여 다른 포트 번호를 사용하십시오. --master_port 아래와 같습니다.
```
python -m torch.distributed.run --master_port 1234 --nproc_per_node 2 ...
```

결과

1 COCO 에포크의 YOLOv5l을 위한 8x A100 SXM4-40GB를 사용하는 AWS EC2 P4d 인스턴스의 DDP 프로파일링 결과.

프로파일링 코드

# 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

GPU A100	배치 크기	CUDA_mem ^{device0 (G)}	COCO ^train	COCO ^val
1x	16	26GB	20:39	0:55
2x	32	26GB	11:43	0:57
4x	64	26GB	5:57	0:55
8x	128	26GB	3:09	0:57

결과에서 볼 수 있듯이 여러 GPU와 함께 DistributedDataParallel을 사용하면 훈련 속도가 거의 선형적으로 확장됩니다. 8개의 GPU를 사용하면 장치당 동일한 메모리 사용량을 유지하면서 단일 GPU를 사용하는 것보다 훈련이 약 6.5배 더 빠르게 완료됩니다.

FAQ

오류가 발생하면 먼저 아래 체크리스트를 확인하십시오! (시간을 절약할 수 있습니다)

체크리스트 (클릭하여 확장)

- 이 게시물을 제대로 읽으셨나요? - 코드베이스를 다시 복제해 보셨나요? 코드가 **매일** 변경됩니다. - 오류를 검색해 보셨나요? 누군가 이 리포지토리나 다른 리포지토리에서 이미 이 문제를 발견하여 해결책을 가지고 있을 수 있습니다. - 상단에 나열된 모든 요구 사항을 설치했나요(올바른 Python 및 PyTorch 버전 포함)? - 아래 '환경' 섹션에 나열된 다른 환경에서도 시도해 보셨나요? - coco128 또는 coco2017과 같은 다른 데이터 세트로 시도해 보셨나요? 그러면 근본 원인을 더 쉽게 찾을 수 있습니다. 위의 모든 과정을 거쳤다면 템플릿에 따라 최대한 자세히 설명하여 자유롭게 이슈를 제기하세요.

지원되는 환경

Ultralytics는 CUDA, CUDNN, Python 및 PyTorch와 같은 필수 종속성이 미리 설치된 다양한 즉시 사용 가능한 환경을 제공하여 프로젝트를 시작할 수 있도록 합니다.

무료 GPU 노트북:
Google Cloud: GCP 빠른 시작 가이드
Amazon: AWS 빠른 시작 가이드
Azure: AzureML 빠른 시작 가이드
Docker: Docker 빠른 시작 가이드

프로젝트 상태

이 배지는 모든 YOLOv5 GitHub Actions 지속적 통합(CI) 테스트가 성공적으로 통과되었음을 나타냅니다. 이러한 CI 테스트는 학습, 유효성 검사, 추론, 내보내기 및 벤치마크와 같은 다양한 주요 측면에서 YOLOv5의 기능과 성능을 엄격하게 검사합니다. macOS, Windows 및 Ubuntu에서 일관되고 안정적인 작동을 보장하며, 테스트는 24시간마다 그리고 새로운 커밋마다 수행됩니다.