El modelo utilizado en el experimento es la versión YOLOv5-7.0, y la configuración del modelo m es conveniente para las pruebas experimentales.valor coco2012conjunto de datos como ejemplo,
Se puede ver que el entrenamiento a través de RAM no ha mejorado significativamente. La razón del análisis puede ser que el disco duro en sí tiene una velocidad de lectura más rápida, lo que puede igualar el rendimiento de la tarjeta gráfica, pero el entrenamiento a través de RAM ocupa mucha memoria. Si la memoria es lo suficientemente pequeña, los socios pueden intentar usar RAM para el entrenamiento. Si la memoria es pequeña, puede considerar reemplazarla con una unidad de estado sólido más rápida como disco de datos.
Además, si el sistema tiene muchos procesos, reducirá el rendimiento de la CPU y la velocidad de lectura del disco duro, lo que reducirá la lectura de datos de la GPU y afectará el rendimiento informático, por lo que se recomienda utilizar la memoria RAM. formulario para la formación.
""" 博主的主机配置 """
CPU ： Intel 13700k
GPU ： Nvidia 4090
硬盘 ： 致钛TiPro7000
内存 ： 金士顿 FURY D5 6000 EXPO 16G x 4
主板 ： 华硕 ROG STRIX Z690-G
| experimento | tamaño del lote | uso de memoria | tiempo de entrenamiento |
|---|---|---|---|
| RAM | dieciséis | 28,7 GB | 28:29 |
| disco | dieciséis | 7,2 GB | 28:17 |
| RAM | auto | 29,5 GB | 20:24 |
| disco | auto | 8.3GB | 20:29 |
Mover datos a ram
Resultados experimentales
batch size 为16，YOLOv5-7.0 m 模型
# From ram
Transferred 481/481 items from yolov5m.pt
AMP: checks passed
optimizer: SGD(lr=0.01) with parameter groups 79 weight(decay=0.0), 82 weight(decay=0.0005), 82 bias
albumentations: Blur(p=0.01, blur_limit=(3, 7)), MedianBlur(p=0.01, blur_limit=(3, 7)), ToGray(p=0.01),
CLAHE(p=0.01, clip_limit=(1, 4.0), tile_grid_size=(8, 8))
train: Scanning G:\coco2017\labels\train2017.cache... 117266 images, 1021 backgrounds, 0 corrupt: 100%|██████████| 118287/118287 00:00
train: 95.1GB RAM required, 42.9/63.7GB available, not caching images
val: Scanning G:\coco2017\labels\val2017.cache... 4952 images, 48 backgrounds, 0 corrupt: 100%|██████████| 5000/5000 00:00
val: Caching images (4.1GB ram): 100%|██████████| 5000/5000 00:01
AutoAnchor: 4.45 anchors/target, 0.995 Best Possible Recall (BPR). Current anchors are a good fit to dataset
Plotting labels to runs\train\exp5\labels.jpg...
Image sizes 640 train, 640 val
Using 2 dataloader workers
Logging results to runs\train\exp5
Starting training for 100 epochs...
Epoch GPU_mem box_loss obj_loss cls_loss Instances Size
0/99 5.72G 0.03863 0.05964 0.01552 206 640: 100%|██████████| 7393/7393 28:29
Class Images Instances P R mAP50 mAP50-95: 100%|██████████| 157/157 00:28
all 5000 36335 0.69 0.562 0.606 0.415
#---------------------------------------------------------------------------------------------------------------------------------
# From Disk
Transferred 481/481 items from yolov5m.pt
AMP: checks passed
optimizer: SGD(lr=0.01) with parameter groups 79 weight(decay=0.0), 82 weight(decay=0.0005), 82 bias
albumentations: Blur(p=0.01, blur_limit=(3, 7)), MedianBlur(p=0.01, blur_limit=(3, 7)), ToGray(p=0.01),
CLAHE(p=0.01, clip_limit=(1, 4.0), tile_grid_size=(8, 8))
train: Scanning G:\coco2017\labels\train2017.cache... 117266 images, 1021 backgrounds, 0 corrupt: 100%|██████████| 118287/118287 00:00
val: Scanning G:\coco2017\labels\val2017.cache... 4952 images, 48 backgrounds, 0 corrupt: 100%|██████████| 5000/5000 00:00
AutoAnchor: 4.45 anchors/target, 0.995 Best Possible Recall (BPR). Current anchors are a good fit to dataset
Plotting labels to runs\train\exp4\labels.jpg...
Image sizes 640 train, 640 val
Using 2 dataloader workers
Logging results to runs\train\exp4
Starting training for 100 epochs...
Epoch GPU_mem box_loss obj_loss cls_loss Instances Size
0/99 5.72G 0.03863 0.05964 0.01552 206 640: 100%|██████████| 7393/7393 28:17
Class Images Instances P R mAP50 mAP50-95: 100%|██████████| 157/157 00:27
all 5000 36335 0.69 0.562 0.606 0.415
1, Lote automático desde ram
3, de carnero
Desde disco Autobatch
2, Desde el disco
