YOLOV5 代码复现以及搭载服务器运行_yolov5代码用pycharm在服务器上运行

先自我介绍一下，小编浙江大学毕业，去过华为、字节跳动等大厂，目前阿里P7

深知大多数程序员，想要提升技能，往往是自己摸索成长，但自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年最新大数据全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

如果你需要这些资料，可以添加V获取：vip204888 （备注大数据）

正文

• 五、搭载服务器训练
• • 1.上传数据
    • 2.租服务器
    • 3.pycharm连接服务器
    • • 1.添加ssh
        • 2.输入密码
        • 3.配置服务器环境路径跟代码映射路径
    • 4.解压数据
    • 5.开始训练
    • 6.文件下载到本地
• 六、测试
• 总结

---

前言

在前面文章中提到，目标检测有两种方式，一种是one_stage（单阶段）如YOLO 一种是two_stage（双阶段）如Faster_Rcnn，Mask_Rcnn。之前介绍了Faster_Rcnn，这篇文章主要介绍YOLOV5 代码复现过程，以及配置文件的修改。

---

一、YOLO简介

YOLO是目标检测的一种网络框架，检测速度非常快，适合做一些实时检测，YOLO现在经过几代版本的更迭，现在已经到了V5版本，V5提供了5l，5m，5s，5x几种版本，这篇文章使用5s的模型。

二、代码下载

大家可以自行到百度网盘进行下载，附链接：

链接：百度网盘
提取码：qnn5

三、数据集准备

在上篇文章中，介绍了xml转txt文件的代码过程，可以自行查看，附链接：
代码
转换之后，还可以分成训练集跟测试集

images 放置文件
labels 放置txt文件
这里要注意的是，文件夹名称一定为images跟labels，原代码规定如下：

def img2label\_paths(img_paths):
    # Define label paths as a function of image paths
    sa, sb = os.sep + 'images' + os.sep, os.sep + 'labels' + os.sep  # /images/, /labels/ substrings
    return [sb.join(x.rsplit(sa, 1)).rsplit('.', 1)[0] + '.txt' for x in img_paths]

四、配置文件的修改

1.data下的yaml

修改data目录下面的VOCyaml文件，

修改前：
path: ../datasets/VOC
train: # train images (relative to 'path') 16551 images
  - images/train2012
  - images/train2007
  - images/val2012
  - images/val2007
val: # val images (relative to 'path') 4952 images
  - images/test2007
test: # test images (optional)
  - images/test2007
修改后
train: # train images (relative to 'path') 16551 images
  - /mnt/wu/images/train
val: # val images (relative to 'path') 4952 images
  - /mnt/wu/images/val

这里修改数据路径

修改前：
nc: 20  # number of classes
names: ['aeroplane', 'bicycle', 'bird', 'boat', 'bottle', 'bus', 'car', 'cat', 'chair', 'cow', 'diningtable', 'dog',
        'horse', 'motorbike', 'person', 'pottedplant', 'sheep', 'sofa', 'train', 'tvmonitor']  # class names
修改后：
nc: 4  # number of classes
names: ["Traffic\_Light\_go","Traffic\_Light\_stop","Traffic\_Light\_warning",'Traffic\_Light\_ambiguous'] # class names

这里更改nc跟标签
nc：表示你训练的数据是几分类。

2.models下的yaml

这里使用的是5s的模型，更改yolov5s.yaml文件

这里只需要更改nc可以，代表你训练的数据是几分类。

3.训练train

1. 更改YOLOV5s模型的路径

parser.add_argument('--weights', type=str, default=ROOT / 'yolov5s.pt', help='initial weights path')

2.更改上面修改过models的yaml文件路径

parser.add_argument('--cfg', type=str, default='models/traffic.yaml', help='model.yaml path')

3.更改上面修改过data的yaml文件路径

parser.add_argument('--data', type=str, default=ROOT / 'data/traffic.yaml', help='dataset.yaml path')

4.训练批次

parser.add_argument('--epochs', type=int, default=50)

5.批次大小，batch_size 如果在训练过程中出现显存不足可以降低batch_size的大小

parser.add_argument('--batch-size', type=int, default=64, help='total batch size for all GPUs, -1 for autobatch')

五、搭载服务器训练

像YOLO这种深度框架，最好搭载服务器进行训练，博主使用的是矩池云，附链接矩池云
附邀请码：BQlYmrQhDiex1lZ

1.上传数据

租服务器之前，先上传数据，数据很大的话，租服务器之后上传会浪费时间，还费钱。
进入我的网盘，上传数据。

2.租服务器

这里选择显卡型号，进行租用。

环境选择yolov5环境，省去配环境的环节。

3.pycharm连接服务器

租用好之后，进入租用界面，显示租用服务器的详细信息。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化的资料的朋友，可以添加V获取：vip204888 （备注大数据）

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。**

需要这份系统化的资料的朋友，可以添加V获取：vip204888 （备注大数据）
[外链图片转存中…(img-In6KK4kR-1713333313488)]

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！