1.GeForce RTX3070 Ti官網參數：

GeForce RTXTM?3070 Ti 和 RTX 3070 顯卡采用第 2 代 NVIDIA RTX 架構 - NVIDIA Ampere 架構。該系列產品搭載專用的第 2 代 RT Core ，第 3 代 Tensor Core、全新的 SM 多單元流處理器以及高速顯存，助您在高性能要求的游戲中所向披靡。

2.一處未知來源的評測表：

3.另一處基于Ti3090跑yolov5的測試結果

3090量化到FP32，使用官方的Pytorch跑，完整的60?classes coco數據集一個是18.04小時。

Coco訓練集大概是12萬張圖片，60 classes.?

?4.Yolov5實測數據

• 運算環境：I5-12400
• 數據集的規模：9000張圖片；25.5萬個標記框,5classes
• 模型，訓練環境Yolo-v5s, Pytorch, FP32, 5個類別
• 1.5 hours/epochs
• 結果：Optimizer stripped from runs\train\exp39\weights\last.pt, 14.3MB

附錄 A 最簡訓練步驟

模型環境初始化的部分很簡單，從略：

1.在yolov5?的data目錄準備.yaml文件

相關數據集是在csdn下載的，大概6元錢。2276張圖片。

train: ./smoker/images/train

val: ./smoker/images/val

nc: 1

names: ["smoker"]

2.將數據集放置在yolov5主目錄內。smoker目錄

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

普遍用的訓練模型都是這個yolov5s,
Model Summary: 270 layers, 7022326 parameters, 7022326 gradients

7M個參數。梯度和參數是一回事，都是指一層一層的轉換矩陣的總參數個數。

4.模型測試效果：

大概30分鐘跑完一輪