最近再學習YOLOv3與YOLOv5訓練數(shù)據(jù)集的具體步驟,幾經(jīng)波折終于實現(xiàn)了很好的效果,這篇文章主要給大家介紹了關(guān)于yolov5訓練時參數(shù)workers與batch-size的相關(guān)資料,文中通過實例代碼介紹的非常詳細,需要的朋友可以參考下

yolov5訓練命令

 python .\train.py --data my.yaml --workers 8 --batch-size 32 --epochs 100

yolov5的訓練很簡單，下載好倉庫，裝好依賴后，只需自定義一下data目錄中的yaml文件就可以了。這里我使用自定義的my.yaml文件，里面就是定義數(shù)據(jù)集位置和訓練種類數(shù)和名字。

workers和batch-size參數(shù)的理解

一般訓練主要需要調(diào)整的參數(shù)是這兩個：

workers

指數(shù)據(jù)裝載時cpu所使用的線程數(shù)，默認為8。代碼解釋如下

parser.add_argument('--workers', type=int, default=8, help='max dataloader workers (per RANK in DDP mode)')

一般默使用8的話，會報錯~~。原因是爆系統(tǒng)內(nèi)存，除了物理內(nèi)存外，需要調(diào)整系統(tǒng)的虛擬內(nèi)存。訓練時主要看已提交哪里的實際值是否會超過最大值，超過了不是強退程序就是報錯。

所以需要根據(jù)實際情況分配系統(tǒng)虛擬內(nèi)存(python執(zhí)行程序所在的盤)的最大值

batch-size

就是一次往GPU哪里塞多少張圖片了。決定了顯存占用大小，默認是16。

parser.add_argument('--batch-size', type=int, default=16, help='total batch size for all GPUs, -1 for autobatch')

訓練時顯存占用越大當然效果越好，但如果爆顯存，也是會無法訓練的。我使用–batch-size 32時，顯存差不多能利用完。

兩個參數(shù)的調(diào)優(yōu)

對于workers，并不是越大越好，太大時gpu其實處理不過來，訓練速度一樣，但虛擬內(nèi)存（磁盤空間）會成倍占用。

workers為4時的內(nèi)存占用

workers為8時的內(nèi)存占用

我的顯卡是rtx3050，實際使用中上到4以上就差別不大了，gpu完全吃滿了。但是如果設(shè)置得太小，gpu會跑不滿。比如當workers=1時，顯卡功耗只得72W，速度慢了一半；workers=4時，顯卡功耗能上到120+w，完全榨干了顯卡的算力。所以需要根據(jù)你實際的算力調(diào)整這個參數(shù)。