Huấn luyện Multi-GPU với YOLOv5

Hướng dẫn này giải thích cách sử dụng đúng cách nhiều GPU để huấn luyện một bộ dữ liệu với YOLOv5 🚀 trên một hoặc nhiều máy.

Trước Khi Bắt Đầu

Sao chép kho lưu trữ và cài đặt requirements.txt trong môi trường Python>=3.8.0, bao gồm PyTorch>=1.8. Mô hình và bộ dữ liệu được tải xuống tự động từ phiên bản phát hành YOLOv5 mới nhất.

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

Huấn luyện

Chọn một mô hình đã được huấn luyện trước để bắt đầu quá trình huấn luyện. Ở đây, chúng ta chọn YOLOv5s, mô hình nhỏ nhất và nhanh nhất hiện có. Xem bảng trong README của chúng tôi để so sánh đầy đủ tất cả các mô hình. Chúng ta sẽ huấn luyện mô hình này với Multi-GPU trên tập dữ liệu COCO.

Single GPU

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

Chế độ DataParallel đa GPU (⚠️ không được khuyến nghị)

Bạn có thể tăng device để sử dụng nhiều GPU ở chế độ DataParallel.

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

Phương pháp này chậm và hầu như không tăng tốc quá trình huấn luyện so với việc chỉ sử dụng 1 GPU.

Chế độ Multi-GPU DistributedDataParallel (✅ được khuyến nghị)

Bạn sẽ phải chuyển python -m torch.distributed.run --nproc_per_node, sau đó là các đối số thông thường.

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 chỉ định số lượng GPU bạn muốn sử dụng. Trong ví dụ trên, con số này là 2.
• --batch là tổng kích thước lô (batch-size). Nó sẽ được chia đều cho mỗi GPU. Trong ví dụ trên, con số này là 64/2=32 trên mỗi GPU.

Đoạn mã trên sẽ sử dụng GPU 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 ''

Ghi chú

• Hỗ trợ Windows chưa được kiểm tra, nên dùng Linux.
• --batch phải là một bội số của số lượng GPU.
• GPU 0 sẽ chiếm nhiều bộ nhớ hơn một chút so với các GPU khác vì nó duy trì EMA và chịu trách nhiệm kiểm tra, v.v.

• Nếu bạn gặp phải RuntimeError: Address already in use, có thể là do bạn đang chạy nhiều quá trình huấn luyện cùng một lúc. Để khắc phục điều này, chỉ cần sử dụng một số cổng khác bằng cách thêm --master_port như bên dưới:

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

Results

Kết quả lập hồ sơ DDP trên một AWS EC2 P4d instance với 8x A100 SXM4-40GB cho YOLOv5l cho 1 epoch 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

Như được hiển thị trong kết quả, việc sử dụng DistributedDataParallel với nhiều GPU cung cấp khả năng mở rộng gần như tuyến tính về tốc độ huấn luyện. Với 8 GPU, quá trình huấn luyện hoàn thành nhanh hơn khoảng 6.5 lần so với một GPU duy nhất, đồng thời duy trì mức sử dụng bộ nhớ trên mỗi thiết bị như nhau.

Câu hỏi thường gặp

Nếu xảy ra lỗi, vui lòng đọc danh sách kiểm tra bên dưới trước! (Nó có thể giúp bạn tiết kiệm thời gian)

Môi trường được hỗ trợ

Ultralytics cung cấp một loạt các môi trường sẵn sàng sử dụng, mỗi môi trường được cài đặt sẵn các phần phụ thuộc thiết yếu như CUDA, CUDNN, Python và PyTorch, để khởi động các dự án của bạn.

• Sổ tay GPU miễn phí:
• Google Cloud: Hướng dẫn Bắt đầu Nhanh GCP
• Amazon: Hướng dẫn Bắt đầu Nhanh AWS
• Azure: Hướng dẫn Bắt đầu Nhanh AzureML
• Docker: Hướng dẫn Bắt đầu Nhanh Docker

Trạng thái dự án

Huy hiệu này cho biết rằng tất cả các thử nghiệm Tích hợp Liên tục (CI) YOLOv5 GitHub Actions đều vượt qua thành công. Các thử nghiệm CI này kiểm tra nghiêm ngặt chức năng và hiệu suất của YOLOv5 trên nhiều khía cạnh chính: huấn luyện, xác thực, suy luận, xuất và điểm chuẩn. Chúng đảm bảo hoạt động nhất quán và đáng tin cậy trên macOS, Windows và Ubuntu, với các thử nghiệm được thực hiện sau mỗi 24 giờ và sau mỗi cam kết mới.

Nguồn tham khảo

Chúng tôi xin cảm ơn @MagicFrogSJTU, người đã thực hiện tất cả các công việc nặng nhọc và @glenn-jocher vì đã hướng dẫn chúng tôi trong suốt quá trình.

Xem Thêm

• Chế độ Train (Huấn luyện) - Tìm hiểu về huấn luyện các mô hình YOLO với Ultralytics
• Điều chỉnh siêu tham số (Hyperparameter Tuning) - Tối ưu hóa hiệu suất mô hình của bạn
• Hướng dẫn khởi động nhanh Docker - Thiết lập môi trường Docker của bạn để huấn luyện

📅 Đã tạo 1 năm trước ✏️ Cập nhật 2 tháng trước

Bình luận