【YOLO】AutoDL 训练模型

前言

本文适合已经了解YOLO相关基础知识的读者快速上手使用AUTODL服务器训练自己的YOLO模型
关联内容：
【YOLO V5】目标检测 WSL2 AutoDL VScode SSH
【YOLO】数据集标注 X-Anylabeling
参考资料：
整体思绪

• 租用 AutoDL 服务器并通过 SSH 连接
  
• 上传本地 YOLOv5 工程文件到服务器
  
• 安装 requirements.txt 依赖
  
• 上传数据集
  
• 修改 data.yaml 配置文件
  
• 调整 train.py 训练脚本并训练
  

租用 AutoDL 服务器并通过 SSH 连接

创建的镜像的配置既要参考yolov5的requriment的说明，还要主要适配租用的GPU的cuda版本支持

复制登岸指令和暗码并通过vscode ssh连接
上传本地 YOLOv5 工程文件到服务器

将本地的 yolov5_AutoDL.zip 文件复制到 AutoDL 服务器的根目次中

yolov5_AutoDL 是我预先修改好的 YOLO 工程，专门用于在 AutoDL 服务器上训练，主要改动包括：

• 添加 mydata.yaml 以适配数据集配置。
  
• 调整 requirements.txt，将 >= 替换为 =，确保依赖版本固定并解释掉 torch 和 torchvision，因为 AutoDL 服务器的 GPU 镜像已预装这些库。
  
• 修改 train.py 的默认参数
  
• 将预训练模型 yolov5s.pt 放入项目文件夹中
  

别的，你也可以通过 git clone 克隆项目，但需确保可以或许正常连接 GitHub。
解压 .zip 压缩包

使用一下指令解压压缩包

1. unzip yolov5_AutoDL.zip

复制代码

安装 requirements.txt 依赖

进入工程文件夹并安装依赖：

1. cd yolov5_AutoDL
2. pip install -r requirements.txt

复制代码

PS：发起将 requirements.txt 中所有的 >= 替换为 ==，以确保依赖版本的稳固性，避免因为版本不兼容导致的问题。
上传数据集

将数据集拖拽到工程文件夹下的 data 目次，确保包含 train、val、test 文件夹，每个文件夹内有 images 和 labels 子文件夹，且标签文件符合 YOLO 格式。
发起将本地数据集压缩为 .zip 文件，并上传后使用 unzip 指令进行解压
修改 mydata.yaml 文件

修改 mydata.yaml 文件中的路径以及 数据种别的数量和名称
请留意，种别名称必须与数据集制作时导出的索引同等，确保顺序正确！
调整 train.py 训练脚本并训练

• 修改 train.py 中的 weights、cfg、data 和 device 参数，确保权重文件和配置文件的路径、数据集的 YAML 文件路径以及训练设备设置都正确。
  
• 使用以下指令开始训练：
  

1. python train.py --epochs 300 --batch-size 64

复制代码

留意：
训练时的批次大小（batch size）需要根据 GPU 显存进行调整。一般来说，3090 和 4090 显卡的显存为 24GB。实测情况下，使用批次大小为 64 时，简单图片占用显存约 13GB，批次大小为 96 时占用显存约 19GB。根据显存选择符合的批次大小，可以加速训练并避免显存溢出。
保存训练结果

训练完成后，将训练得到的模型权重 best.pt 从 runs/train/exp/weights 目次中保存到本地即可。
常见错误

训练时 Arial.ttf 下载超时 Downloading https://ultralytics.com/assets/Arial.ttf to /home/zelan/.conf

该问题发起参考：
【解决方案】yolov5环境配置报错 Downloading https://github/Arial.Unicode.ttf to /root/.config/Ultralytics/Arial

• 本地下载Arial.ttf 字体文件
  
• 将 Arial.ttf 文件手动上传到服务器的 /root/.config/Ultralytics 目次下即可
  

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。