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，里面就是定義數據集位置和訓練種類數和名字。

workers和batch-size參數的理解

一般訓練主要需要調整的參數是這兩個：

workers

指數據裝載時cpu所使用的線程數，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~~。原因是爆系統內存，除了物理內存外，需要調整系統的虛擬內存。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。

所以需要根據實際情況分配系統虛擬內存(python執行程序所在的盤)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。

兩個參數的調優

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，但虛擬內存（磁盤空間）會成倍占用。

workers為4時的內存占用

workers為8時的內存占用

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。所以需要根據你實際的算力調整這個參數。

2. 對于batch-size，有點玄學。理論是能盡量跑滿顯存為佳，但實際測試下來，發現當為8的倍數時效率更高一點。就是32時的訓練效率會比34的高一點，這里就不太清楚原理是什么了，實際操作下來是這樣。

總結