Saltar para o conteúdo

Multi-GPU Formação

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

Antes de começar

Clonar repo e instalar requirements.txt em um Python>=3.8.0 incluindo PyTorch>=1.8. Os modelos e conjuntos de dados são descarregados automaticamente a partir daversão mais recentede YOLOv5 .

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

💡 ProTip! Imagem Docker é recomendado para todas as formações Multi-GPU . Ver Guia de início rápido do Docker Docker Pulls

💡 ProTip! torch.distributed.run substitui torch.distributed.launch em PyTorch>=1.9. Veja documentos para mais pormenores.

Formação

Selecione um modelo pré-treinado para iniciar o treino. Aqui seleccionamos o YOLOv5s, o modelo mais pequeno e mais rápido disponível. Veja a nossa tabela README para uma comparação completa de todos os modelos. Iremos treinar este modelo com Multi-GPU no conjunto de dados COCO.

YOLOv5 Modelos

Individual GPU

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

É possível aumentar o device para usar várias GPUs no modo DataParallel.

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

Este método é lento e quase não acelera o treino em comparação com a utilização de apenas 1 GPU.

Terá de passar python -m torch.distributed.run --nproc_per_node, seguido dos argumentos habituais.

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, é 2. --batch é o tamanho total do lote. Será dividido uniformemente por cada GPU. No exemplo acima, é 64/2=32 por GPU.

O código acima usará GPUs 0... (N-1).

Utilizar GPUs específicas (clique para expandir) Você pode fazer isso simplesmente passando `--device` seguido por suas GPUs específicas. Por exemplo, no código abaixo, nós usaremos 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
Utilizar SyncBatchNorm (clique para expandir) [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 várias máquinas (clique para expandir) Disponível **apenas** para a formação GPU DistributedDataParallel. Antes de continuarmos, certifique-se de que os ficheiros em todas as máquinas são os mesmos, conjunto de dados, base de código, etc. Depois, certifique-se de que as máquinas podem comunicar entre si. Terá de escolher uma máquina mestre (a máquina com a qual as outras irão falar). Anote seu endereço (`addr_mestre`) e escolha uma porta (`porta_mestre`). Eu vou usar `endereço_mestre = 192.168.1.1` e `porta_mestre = 1234` para o exemplo abaixo. Para utilizá-lo, pode-se fazer o seguinte, 
# 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 ''
onde `G` é o número de GPU por máquina, `N` é o número de máquinas, e `R` é o número da máquina de `0...(N-1)`. Digamos que eu tenha duas máquinas com duas GPUs cada, seria `G = 2` , `N = 2`, e `R = 1` para o acima. O treinamento não será iniciado até todos `N` máquinas estão ligadas. A saída só será mostrada na máquina principal!

Notas

  • O suporte para Windows não foi testado, recomenda-se o Linux.
  • --batch deve ser um múltiplo do número de GPUs.
  • GPU 0 ocupará um pouco mais de memória do que as outras GPUs, uma vez que mantém o EMA e é responsável pelo checkpointing, etc.
  • Se tiveres RuntimeError: Address already in useSe o problema não for resolvido, pode ser porque está a executar várias formações ao mesmo tempo. Para resolver este problema, basta utilizar um número de porta diferente, adicionando --master_port como abaixo,
python -m torch.distributed.run --master_port 1234 --nproc_per_node 2 ...

Resultados

Resultados da criação de perfis DDP numa instância AWS EC2 P4d com 8x A100 SXM4-40GB para YOLOv5l para 1 época COCO.

Código de perfilagem 
# 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		 tamanho do lote CUDA_mem
device0 (G)		 COCO
train		 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

FAQ

Se ocorrer um erro, leia primeiro a lista de verificação abaixo! (Pode poupar-lhe tempo)

Lista de controlo (clique para expandir)
  • Leram bem este post?
  • Já tentou clonar novamente a base de código? O código muda diariamente.
  • Já tentou procurar o seu erro? É possível que alguém já o tenha encontrado neste repositório ou noutro e tenha a solução.
  • Instalou todos os requisitos indicados na parte superior (incluindo as versões corretas de Python e Pytorch )?
  • Já experimentou noutros ambientes indicados na secção "Ambientes" abaixo?
  • Já experimentou com outro conjunto de dados como coco128 ou coco2017? Será mais fácil encontrar a causa principal.
Se passou por tudo o que foi dito acima, sinta-se à vontade para levantar uma Questão, fornecendo o máximo de detalhes possível, seguindo o modelo.

Ambientes suportados

Ultralytics fornece uma gama de ambientes prontos a utilizar, cada um pré-instalado com dependências essenciais, tais como CUDA, CUDNN, Python, e PyTorchpara dar início aos seus projectos.

Estado do projeto

YOLOv5 IC

Este emblema indica que todos os testes de Integração Contínua (CI) do YOLOv5 GitHub Actions foram aprovados com êxito. 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 ter guiado ao longo do caminho.

📅C riado há 1 ano ✏️ Atualizado há 1 mês
UltralyticsAssistant glenn-jocher RizwanMunawar Burhan-Q

Comentários