Deep Learning9 하드 디스크 병목으로 인한 CPU 사용량 저하 확인 환경CPU: Intel i9 11900GPU: NVIDIA 3090 24GBMemory: 64GBOS: Ubuntu 22.04Python: Python 3.9 Pytorch Dataloader를 사용하여 batch 로 inference 결과별 이미지 저장을 하던 중 CPU 사용률이 하락하는 현상Jupyter, Nvidia 세팅 등을 확인한 결과 하드디스크 병목(쓰기)으로 인한 CPU 강제 휴무 상태로 확인 하드 디스크를 iostat으로 확인한 결과,하드 디스크(가장 하단) 의 %util (가장 우측 칼럼)의 수치가 100에 근접하거나 초과하는 것을 확인또한, 가장 상단의 %iowait 수치와 %idle 수치를 통해서도 확인 iostat 설치 및 모니터링 command1. iostat 설치 sudo a.. 2024. 5. 23. AMD GPU MIGraphX docker 사용 정리 Ubuntu 20.04 ROCm 5.4 Radeon VII Nvidia의 TensorRT와 같은 포지션에 있는 AMD의 MIGraphX 정리 apt install, build from source, docker 를 통한 설치를 모두 해본 결과 docker가 가장 문제없이 잘 돌아간다. 참고 글 GitHub - ROCmSoftwarePlatform/AMDMIGraphX: AMD's graph optimization engine. GitHub - ROCmSoftwarePlatform/AMDMIGraphX: AMD's graph optimization engine. AMD's graph optimization engine. Contribute to ROCmSoftwarePlatform/AMDMIGraphX d.. 2022. 12. 22. Super resolution 모델, HAT, inference 사용 정리 Ubuntu 20.04 ROCm AMD GPU Radeon VII 공식 github GitHub - XPixelGroup/HAT: Arxiv2022 - Activating More Pixels in Image Super-Resolution Transformer GitHub - XPixelGroup/HAT: Arxiv2022 - Activating More Pixels in Image Super-Resolution Transformer Arxiv2022 - Activating More Pixels in Image Super-Resolution Transformer - GitHub - XPixelGroup/HAT: Arxiv2022 - Activating More Pixels in Image Super-Re.. 2022. 12. 19. 3080, Radeon vii, 6900xt, 딥러닝 (image classification) 학습 성능 비교 완벽하게 동일한 세팅(CPU/RAM/storage)에서 비교한 것이 아니므로 오로지 GPU의 성능을 비교했다고 하긴 어려움 적당한 비교(just curious)로 받아들이면 좋을듯 동일한 학습 모델, 데이터 셋에서의 학습 성능 비교 - 첫 2 epoch에 걸린 시간을 비교 Framework: Pytorch Model: efficientnet lite0 Batch size: 20 Image size: 384x384 데이터 수: 약 3만장 시스템: 결과: 결론 1. 역시 Nvidia가 좋다. 2. 학습속도는 조금 느릴지라도 AMD의 높은 GPU RAM은 무거운 모델 학습/구동에 좋을 수도 있겠다. 2022. 12. 12. Ubuntu, TensorRT로 Yolov5 inference Ubuntu 20.04 TensorRT 8.4.3.1 공식 깃헙: GitHub - ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite GitHub - ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite. Contribute to ultralytics/yolov5 development by creating an account on GitHub. github.com 공식 깃헙에 따르면, Yolov5를 TensorRT를 통해 배포하는 방법에는 1. export.py를 거쳐 model.engine을 만든 .. 2022. 12. 5. Super Resolution EDT 사용하기 Super resolution 모델 중 하나인 EDT를 사용한 내용을 정리한다. 1. 깃 repository 다운로드 및 package 설치 EDT 모델은 Python 3.7 버전 이상, pytorch 1.4 버전 이상에서 돌아간다. (적절하게 설치한다) git clone https://github.com/fenglinglwb/EDT.git 를 입력하여 git 다운로드 후, 다운받은 EDT 폴더에서 requirement 에 있는 package 들을 설치한다. pip install -r requirements.txt 2. test_sample.py 코드 수정 EDT 모델은 test_sample.py 코드를 돌려서 사용가능한데, git에 업로드된 코드에 오류가 있어 수정을 해야한다. nano test_sam.. 2022. 10. 8. 이전 1 2 다음
