Yolov8模型训练报错：torch.cuda.OutOfMemoryError_torch.cuda.outofmemoryerror: cuda out of memory.

最近在使用自己的数据训练Yolov8模型的时候遇到了很多错误，下面将逐一解答。

问题报错

在训练过程中红字报错：torch.cuda.OutOfMemoryError: CUDA out of memory.

后面还会跟着一大段报错：

Tried to allocate XXX MiB (GPU 0; XXX GiB total capacity; XXX GiB already allocated; 0 bytes free; XXX GiB reserved in total by PyTorch)

If reserved memory is >> allocated memory try setting max_split_size_mb to avoid fragmentation.

See documentation for Memory Management and PYTORCH_CUDA_ALLOC_CONF

报错信息如下图：

原因分析

其实这是因为训练时读取的图像数据太大，超出了GPU的显存。

可以看到我这台电脑是GTX2060，显存6G，读取的图像信息已经到了5.17G，无法再进行模型训练。

解决方案

在遇到此类问题时，我们可以调整两个部分的代码。

首先，yolov8的模型训练代码如下：

from core.ultralytics import YOLO
model = YOLO("runs/detect/train_2048_91_200/weights/last.pt")  # 读取断点模型训练

# # Train the model
results = model.train(data="./ultralytics/cfg/datasets/my_img.yaml", epochs=1, imgsz=2048, batch=5, save_period=-1)

1
2
3
4
5
6

1、调整imgsz

此处，我们可以修改：model.train()方法中的，imgsz这个参数。

可以看到博主这边使用的是2024分辨率进行训练，主要原因还是因为项目的图像较大，为5120*5120图像，同时需要做小目标识别。因此设置的比较大。

但是大家可以根据自己的实际情况来调整这个参数的大小，如果本身需要检测的目标比较大，那大家可以尝试将此参数调小一些。

2、调整batch

一般来说显存超了，大多时候会选择调整batch这个参数，虽然调整后会一定程度影响模型的泛化能力，容易导致过拟合，但在现有条件下两害相权取其轻，只能调小这个参数了。

调整batch后

博主这边选择不调整imgsz，原因上面已经说了。

将batch调整至4之后，再次训练。

情况如下：

完美跑通！