hello everyone is anyone here speaks English

Собирать данные нужно для вашей задачи. А решить её можно различными способами. В том числе, можно попробовать применить различные архитектуры нейросетей, и посмотреть, какая наиболее хорошо работает с вашими данными.

Доброго дня. Сейчас я пытаюсь в докере обучить сеть с MMDetection. Выходит ошибка следующего вида:  CUDA out of memory. Tried to allocate 20.00 MiB (GPU 0; 5.80 GiB total capacity; 3.68 GiB already allocated; 6.94 MiB free; 3.97 GiB reserved in total by PyTorch)
Карта GTX 1660
Есть ли какое-то решение без модификаций исходников торча или mmdetection? В докере очень неудобно к ним подбираться.

Да, уменьшить batch size

Работа идет через python tools/train.py от mmdetection

В конфиге сейчас
imgs_per_gpu=2,
   workers_per_gpu=2,

Это выглядит довольно скромным и без уменьшения, нет?

Даже при изменении этих значений на 1 получается ошибка:
RuntimeError: CUDA out of memory. Tried to allocate 58.00 MiB (GPU 0; 5.80 GiB total capacity; 3.81 GiB already allocated; 68.81 MiB free; 3.91 GiB reserved in total by PyTorch)

Ещё немножко меньше сделайте. Он же вам пишет, что не хватает буквально пары десятков Мб.

Или это ваш батч? imgs_per_gpu=2,

Да, это мой. Сейчас в качестве решения изменил размер (1333, 800) на (620, 877) (датасет в формате COCO, но изображения имеют размеры (620, 877)).

Могут ли быть нежелательные последствия после этого?

Кек

Меняй gpu😌

Ладно.

Тогда вопрос по архитектуре - допустим, у меня есть контейнер с джанго, контейнер с Celery и некоторая модель с кучей зависимостей. Мне нужно, чтобы задачи Celery могли использовать модель для infer(), при этом желательно с относительно высокой скоростью (т.е. модель должна держаться в памяти, а не загружаться при каждой отдельной задаче). Правильно ли будет следующий вариант: подцепить модель к REST API на Flask, запаковать ее вместе с зависимостями в еще один докер-контейнер и слать на ее API POST-запросы в задачах Celery?

Привет. А можно тупой вопрос на счёт используемых технологий?

Можно