创作不易，您的打赏、关注、点赞、收藏和转发是我坚持下去的动力！
优化说明：
-
避免重复下载和解压数据集：将
download=True改为download=False，防止每次运行代码都重新下载和解压数据集，从而节省时间。 -
使用
pin_memory加速数据加载：在DataLoader中设置pin_memory=True，可以加快数据从CPU传输到GPU的速度。 -
设置
torch.backends.cudnn.benchmark = True：启用CuDNN的自动优化，可以根据网络结构和输入数据的大小，自动选择最优的卷积算法，提升训练速度。 -
使用混合精度训练：利用
torch.cuda.amp模块进行自动混合精度训练，可以减少显存占用，加快训练速度。 -
优化
compute_miou函数：改为使用GPU上的Tensor计算mIoU，避免数据在GPU和CPU之间的传输，提升计算效率。 -
减少输入图像尺寸：将
input_size从520减小到256，可以减少模型的计算量，加快训练速度。 -
调整
num_workers参数：根据CPU的核心数量适当增加num_workers，提高数据加载的效率。 -
减少
print输出：避免过多的日志输出，可以节省训练时间。
通过以上优化，可以明显加快数据处理和训练的速度，提高模型训练的效率。
大家有技术交流指导、论文及技术文档写作指导、项目开发合作的需求可以搜索关注我私信我
