⏱ 00:02 - 00:30｜核心类比：训练 = 管员工

• 电脑硬件（CPU / GPU / 内存）= 员工
• 模型训练 = 让员工干活

👉 核心思想：

不要让硬件偷懒，也不要让它过劳崩溃

⏱ 00:30 - 01:36｜如何判断训练速度？

❗关键点

• 不看 epoch（轮数）
• 看每一轮耗时（重点是第一个进度条）

📊 进度条时间含义

• 左边：已用时间
• 右边：预计剩余时间

👉 示例：

• 已用 17 秒 + 剩余 20 秒 ≈ 总 37 秒

👉 结论：

第一个进度条时间 ≈ 单轮训练耗时

⏱ 01:39 - 04:11｜训练效率的本质（非常重要⭐）

训练速度 ≠ 一个数字
👉 本质是4种硬件利用率

🧩 四大核心资源

• CPU
• 内存（RAM）
• GPU（CUDA利用率）
• 显存（GPU Memory）

🔧 如何查看 CUDA？

如果任务管理器看不到：

1. 关闭“硬件加速 GPU 计划”
2. 重启电脑
3. 在GPU面板选择 CUDA

✅ 高效训练的两个特征

1️⃣CUDA利用率：高且稳定
2️⃣所有资源：不达到100%

⚠️ 为什么不能100%？

• 会报错（OOM等）
• 系统降速保护
• 训练反而变慢

👉 人话：

榨干=崩溃，留点余量=更稳更快

⏱ 04:23 - 05:06｜CPU vs GPU训练对比

实验：

device = "cpu"

结果：

• GPU不用了（CUDA=0）
• CPU负载上升
• 训练时间暴涨（37秒 → 接近5分钟）

👉 结论：

GPU训练 ≫ CPU训练（数量级差距）

⏱ 05:26 - 11:12｜参数一：image size（图像尺寸）

📦 训练流程（重要理解）

1. 图片缩放到统一尺寸（如640×640）
2. 打包成数据块
3. 输入模型训练

👉 核心原因：

统一尺寸 = 提高计算效率

⚡ 速度影响

👉 实测：

• 640 → 37秒
• 320 → 29秒
• 更小 → 提升有限（有上限）

⚠️ 限制

• 必须是32的倍数
• 最小：32

🎯 对效果的影响（重点！）

❌ 太小：

• 图片变马赛克
• 模型学不到特征

❌ 太大：

• 图片变模糊（放大）
• 训练慢 + 效果不一定好

✅ 推荐策略

默认：

imgsz = 640

🔍 什么时候调整？

✔ 调大（如1280）

• 图片大 + 目标小

✔ 调小（如512）

• 图片本身小
• 放大会模糊

❌ 极端情况

• 图片小 + 目标小
  👉直接换数据集

⏱ 11:15 - 16:25｜参数二：Batch（批量大小）

📦 什么是 Batch？

• 一次喂给模型的图片数量
• 👉 一轮训练 = 多个 batch

📊 示例

• 1052 张图片
• Batch=2 → 526批
• Batch=8 → 132批

⚡ 影响规律

❗关键结论

Batch越大越快（但有上限）

💥 错误示例

batch = 999

👉 直接 OOM（显存炸）

🧠 最优策略

batch = -1

👉 YOLO自动帮你找最优（AutoBatch）

⏱ 16:57 - 20:33｜参数三：Cache（缓存）

🧠 问题本质

默认流程：

每个batch都要从硬盘读图片 → 很慢

🚀 cache="ram" 做了什么？

训练前：

1. 所有图片加载进内存
2. 提前缩放

训练时：

• 直接用 → 跳过读取 + 预处理

⚡ 效果

• 21秒 → 18秒（略提升）

💾 代价

• 占用内存（例：+1GB）

🎯 适用场景（重点）

✔ 图片很大（几千像素）
✔ 训练很慢 + CUDA利用率低

🧠 核心思想

常用数据 → 放近一点（内存）

⏱ 21:01 - 25:24｜参数四：Workers（多进程）

🧠 问题本质

• batch打包 + 数据增强是耗时的
• 如果跟不上GPU → GPU会“干等”

🚀 解决方案

👉 多进程打包（Workers）

⚡ 效果

• 18秒 → 11秒（巨大提升）

💾 代价

• 每+1 worker → 内存翻倍消耗

📊 规律

人多不一定快，合适最重要

⏱ 27:14 - 结尾｜实战建议

✅ 推荐训练状态

• 负载：70% ~ 80%
• 不要满载
• 训练时别干别的事

🧾 总结（重点复习版）

🎯 提升训练速度四大参数

🧠 最核心一句话

训练优化本质 = 让GPU一直高效干活，同时别让任何资源成为速度瓶颈