Yolo-v5模型训练速度，与GeForce的AI算力描述

1.GeForce RTX3070 Ti官网参数：

GeForce RTXTM 3070 Ti 和 RTX 3070 显卡采用第 2 代 NVIDIA RTX 架构 - NVIDIA Ampere 架构。该系列产品搭载专用的第 2 代 RT Core ，第 3 代 Tensor Core、全新的 SM 多单元流处理器以及高速显存，助您在高性能要求的游戏中所向披靡。

2.一处未知来源的评测表：

3.另一处基于Ti3090跑yolov5的测试结果

3090量化到FP32，使用官方的Pytorch跑，完整的60 classes coco数据集一个是18.04小时。

Coco训练集大概是12万张图片，60 classes.

4.Yolov5实测数据

• 运算环境：I5-12400
• 数据集的规模：9000张图片；25.5万个标记框,5classes
• 模型，训练环境Yolo-v5s, Pytorch, FP32, 5个类别
• 1.5 hours/epochs
• 结果：Optimizer stripped from runs\train\exp39\weights\last.pt, 14.3MB

附录 A 最简训练步骤

模型环境初始化的部分很简单，从略：

1.在yolov5 的data目录准备.yaml文件

相关数据集是在csdn下载的，大概6元钱。2276张图片。

train: ./smoker/images/train

val: ./smoker/images/val

nc: 1

names: ["smoker"]

2.将数据集放置在yolov5主目录内。smoker目录

3.修改train.py

def parse_opt(known=False):
parser = argparse.ArgumentParser()
parser.add_argument('--weights', type=str, default='./yolov5-master/weights/yolov5s.pt', help='initial weights path')
parser.add_argument('--cfg', type=str, default='./yolov5-master/models/yolov5s.yaml', help='model.yaml path')
parser.add_argument('--data', type=str, default='./data/smoker.yaml', help='dataset.yaml path')
parser.add_argument('--hyp', type=str, default='data/hyps/hyp.scratch.yaml', help='hyperparameters path')
parser.add_argument('--epochs', type=int, default=2) # *300

普遍用的训练模型都是这个yolov5s,
Model Summary: 270 layers, 7022326 parameters, 7022326 gradients

7M个参数。梯度和参数是一回事，都是指一层一层的转换矩阵的总参数个数。

4.模型测试效果：

大概30分钟跑完一轮