YOLOv5训练时GPU利用率偏低，如何实现GPU满负载运行？

• 调大batch size：这是提升GPU利用率最直接的手段，很多时候GPU不满载是因为单批次数据量太少。训练时通过--batch-size参数调整，比如从默认16逐步提升到32、64（根据GPU显存容量调整，避免显存溢出）。如果显存不足，可开启半精度训练--half，能进一步提高batch size的上限。

• 优化数据加载环节：除了workers参数，还要确保数据读取和传输效率：

  • 将数据集存储在SSD硬盘上，大幅提升数据读取速度；
  • 确认训练配置中pin_memory=True（YOLOv5默认开启），加速数据从CPU到GPU的传输。

• 清理后台资源占用：训练前关闭浏览器、视频播放软件、其他深度学习任务等占用GPU/CPU的程序，避免资源被分流。

• 匹配适配的软件版本：更新CUDA和PyTorch到YOLOv5推荐的稳定版本（如CUDA 11.7+、PyTorch 1.13+），旧版本可能存在性能瓶颈或兼容性问题，影响GPU算力发挥。

• 增加GPU计算负载：如果使用的是nano、small这类轻量模型，GPU计算任务过少会导致等待数据加载。可以换用medium、large级别的模型，或者开启多尺度训练--multi-scale，让GPU有更多计算任务可处理。

• 简化离线预处理：如果是自定义数据集，把复杂的图像增强、格式转换等操作提前离线完成，减少训练时CPU的实时计算压力，保证数据能持续喂给GPU。

内容的提问来源于stack exchange，提问作者hashiburae