VS Codeを用いた深層学習環境の構築とRTX 4080 Super vs 4090のベンチマーク比較

1. PowerShellの実行環境設定

1.1 実行ポリシーの変更

WindowsのPowerShellでスクリプトの実行が制限されている場合、Conda環境の有効化などでエラーが発生することがあります。以下のコマンドを管理者権限のPowerShellで実行し、実行ポリシーを RemoteSigned に変更します。

# 実行ポリシーをRemoteSignedに設定
Set-ExecutionPolicy -ExecutionPolicy RemoteSigned -Scope CurrentUser

これにより、ローカルで作成されたスクリプトの実行が許可されます。

1.2 システム環境変数へのパス追加

コマンドプロンプトやPowerShellから直接 conda や pip を呼び出せるようにするため、システムの環境変数（Path）に以下のディレクトリを追加します。※インストール先が C:\miniconda3 の場合の例です。

C:\miniconda3
C:\miniconda3\Scripts
C:\miniconda3\Library\bin
C:\miniconda3\Library\usr\bin
C:\miniconda3\Library\mingw-w64\bin
C:\Users\YourName\AppData\Local\Programs\Microsoft VS Code\bin

設定反映後、ターミナルを再起動し、以下のコマンドでCondaの初期設定を行います。

conda init

2. VS Codeの最適化設定

2.1 必須拡張機能の導入

効率的な開発のために、VS Codeの拡張機能マーケットプレイスから以下のパッケージをインストールします。

Japanese Language Pack: UIの日本語化
Python: IntelliSenseやデバッグ機能の有効化

2.2 Pythonインタープリターの選択

プロジェクト内の .py ファイルを開いた状態で、VS Codeの右下にあるステータスバー、または Ctrl+Shift+P で「Python: Select Interpreter」を入力し、構築した仮想環境（Conda環境など）を選択します。

2.3 既定のターミナルの変更

PowerShellではなくコマンドプロンプト（cmd）を標準で使用したい場合は、Ctrl+Shift+P から「Terminal: Select Default Profile」を検索し、「Command Prompt」を選択します。

2.4 Condaの自動アクティベート競合の解消

ターミナル起動時に複数の環境が重複してアクティベートされる場合は、以下の設定でベース環境の自動起動を無効化します。

conda config --set auto_activate_base False

3. CUDAおよびcuDNNの動作確認

仮想環境内にインストールされたPyTorchがGPUを正しく認識しているかを確認します。

import torch

def check_gpu_status():
    gpu_ready = torch.cuda.is_available()
    print(f"CUDA可用性: {gpu_ready}")
    
    if gpu_ready:
        print(f"PyTorchバージョン: {torch.__version__}")
        print(f"CUDAバージョン: {torch.version.cuda}")
        print(f"cuDNN有効化: {torch.backends.cudnn.is_available()}")
        print(f"cuDNNバージョン: {torch.backends.cudnn.version()}")

if __name__ == "__main__":
    check_gpu_status()

4. ハードウェア別トレーニング速度の比較検証

システムのOSやハードウェア構成が学習効率に与える影響を、YOLOv8を用いたベンチマークで比較します。

OSおよびIDEによるパフォーマンスの差異 (RTX 4080 Super / YOLOv8n)

同一のモデル・ハイパーパラメータでの1エポックあたりの所要時間は以下の通りです。

Windows 11 + PyCharm: 約17秒
Windows 11 + VS Code: 約16秒
Ubuntu 20.04 + VS Code: 約14秒

Linux環境（Ubuntu）の方がオーバーヘッドが少なく、Windows環境よりも約12.5%高速という結果になりました。

ハイエンドGPU比較：RTX 4080 Super vs RTX 4090

学習モデルの規模（GFLOPs）に応じた、RTX 4080 SuperとRTX 4090のパフォーマンス差を検証しました。

モデル規模	RTX 4080 Super (Ubuntu)	RTX 4090 (AutoDL/Linux)	差分 (1エポック)
YOLOv8n (低負荷)	14秒	13秒	約1秒
YOLOv8s (中負荷)	26秒	22秒	約4秒
YOLOv8l (高負荷)	78秒	65秒	約13秒

小規模から中規模のモデル（50 GFLOPs以下）を扱う場合、RTX 4080 Superと4090の差は数分程度の蓄積に留まります。一方で、大規模なモデルや膨大なデータセットを扱う場合は、VRAM容量とコア数に勝るRTX 4090が優位となります。コストパフォーマンスを重視する場合、中規模な研究用途であればRTX 4070 Ti SuperやRTX 4080 Superが有力な選択肢となります。

タグ: VSCode Miniconda PyTorch CUDA NVIDIA-RTX

9月15日 19:25 投稿

異端開発室