多种GPU 培训
📚 本指南介绍如何在单台或多台计算机上正确使用多个GPU，通过YOLOv5 🚀 训练数据集。
开始之前
克隆 repo 并将requirements.txt安装在 Python>=3.8.0环境中安装 requirements txt，包括 PyTorch>=1.8.模型和数据集会自动从最新的YOLOv5 版本下载。
git clone https://github.com/ultralytics/yolov5 # clone
cd yolov5
pip install -r requirements.txt # install
💡 专业提示！ Docker 映像 建议参加所有GPU 培训。参见 Docker 快速入门指南
💡 专业提示！ torch.distributed.run 替换 torch.distributed.launch 于 PyTorch>=1.9.参见 文档 了解详情。
培训
选择一个预训练模型开始训练。这里我们选择YOLOv5s，它是目前最小、最快的模型。有关所有模型的全面比较，请参见我们的 README表格。我们将使用 Multi-GPU 在COCO数据集上训练该模型。
单人GPU
多GPU 数据并行模式（不建议使用 ⚠️）
您可以增加 device 以在数据并行模式下使用多个 GPU。
这种方法很慢，与只使用 1 个GPU 相比，几乎无法加快训练速度。
多GPU 分布式数据并行模式（✅ 推荐）
您必须通过 python -m torch.distributed.run --nproc_per_node然后是通常的争论。
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 指定要使用的 GPU 数量。在上面的例子中，是 2 个。
--batch 是总批量大小。它将平均分配给每个GPU 。在上面的例子中，每个GPU 是 64/2=32 。
上述代码将使用 GPU 0... (N-1).
使用特定 GPU（点击展开）
您只需传递 `--device`，然后再传递特定的 GPU 即可。例如，在下面的代码中，我们将使用 GPU `2,3`。使用 SyncBatchNorm（单击展开）
[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,使用多台机器（点击展开）
这**仅**适用于 MultipleGPU DistributedDataParallel 培训。 在我们继续之前，请确保所有机器上的文件、数据集、代码库等都是一样的。之后，确保机器之间可以相互通信。 你必须选择一台主机器（其他机器将与之通信的机器）。记下它的地址（`master_addr`）并选择一个端口（`master_port`）。在下面的示例中，我将使用 `master_addr = 192.168.1.1` 和 `master_port = 1234`。 使用方法如下、 其中，`G`为每台机器的GPU 数量，`N`为机器数量，`R`为从`0...(N-1)`开始的机器数量。比方说，我有两台机器，每台机器有两个 GPU，那么上述计算结果就是 `G = 2`, `N = 2`, `R = 1`。 直到 一应俱全 连接了 `N` 台机器。输出只在主机器上显示！说明
- Windows 支持尚未经过测试，建议使用 Linux。
--batch必须是 GPU 数量的倍数。- GPU 0 会比其他 GPU 占用稍多的内存，因为它会维护 EMA 并负责检查点等工作。
- 如果你得到
RuntimeError: Address already in use可能是因为您同时进行多个培训。要解决这个问题，只需使用不同的端口号，添加--master_port就像下面这样
成果
在AWS EC2 P4d 实例上对 YOLOv5l 的 8x A100 SXM4-40GB 进行 1 COCOepoch 的 DDP 分析结果。
剖析代码
# 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
| 图形处理器 A100 |
批量大小 | CUDA_mem device0 (G) |
COCO 火车 |
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 |
常见问题
如果出现错误，请先阅读下面的核对表！(它可以节省您的时间）
核对表（点击展开）
- 你读过这篇文章吗？
- 您尝试过重新克隆代码库吗？代码每天都在变化。
- 您尝试搜索过您的错误吗？可能已经有人在这个软件源或其他软件源中遇到过这个问题，并且已经有了解决方案。
- 您是否安装了上面列出的所有要求（包括正确的Python 和Pytorch 版本）？
- 您在下面 "环境 "部分列出的其他环境中尝试过吗？
- 您是否尝试过使用另一个数据集，如 coco128 或 coco2017？这样会更容易找到根本原因。
支持的环境
Ultralytics 提供了一系列随时可用的环境，每个环境都预装了基本的依赖项，如 CUDA、CUDNN、 Python和 PyTorch等基本依赖项，以便启动项目。
- 免费GPU 笔记本:
- Google 云计算 GCP 快速入门指南
- 亚马逊 AWS 快速入门指南
- Azure.AzureML 快速入门指南AzureML 快速入门指南
- Docker: Docker 快速入门指南
项目现状
此徽章表示YOLOv5 GitHub Actions 的所有持续集成（CI）测试均已成功通过。这些 CI 测试严格检查了YOLOv5 在训练、验证、推理、导出和基准等多个关键方面的功能和性能。它们确保在 macOS、Windows 和 Ubuntu 上运行的一致性和可靠性，每 24 小时和每次新提交时都会进行一次测试。
荣誉
在此，我们要感谢 @MagicFrogSJTU 和 @glenn-jocher 对我们的指导。
