手把手教你使用AuToDL算力云训练自己的数据

已于 2023-11-30 11:59:14 修改
阅读量5.2k 收藏 36
点赞数 6
文章标签： 人工智能 深度学习
于 2023-11-29 09:40:50 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/deng_hy17451091/article/details/134681273
版权
本文指导如何在AutoDL算力云上设置环境并进行Yolov4模型训练，包括选择服务器、配置PyTorch框架、上传代码和数据、以及在JupyterLab中进行操作的详细步骤。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

1. 打开AutoDL算力云网站

https://www.autodl.com/home

2. 选择所需合适的算力服务器

3.配置训练框架环境（注：30系列的卡需要配备cuda11以上的版本）

4. 进入jupyterlab->>终端

5.上传代码文件和数据

6.解压上传的文件数据包

unzip filename

7. 准备训练环境

进入base创建目标环境(如果首次进入失败，输入conda init，退出后再进入终端)

比如：

conda create -n yolov4 python=3.8
conda activate yolov4
conda install pytorch==1.7.1 torchvision==0.8.2 torchaudio==0.7.2 -c pytorch

然后安装训练supip install -r requirements.txt

最后执行代码：python train.py 开始训练

星云麓
关注
手把手教你使用云服务器训练 RT-DETR (Pytorch版)
YOLOv8项目贡献者
10-14 6552
手把手带你训练RT-DETR
通过AutoDL使用yolov5.7训练自己的数据集
abc14125的博客
03-18 4328
使用AutoDl平台提供的主机训练自己的yolov5模型
AutoDL算力云使用教程
weixin_45768644的博客
09-20 4497
AutoDL
算力云入门使用教程（从零开始跑模型）
c99774的博客
11-14 1934
先把你要上传的文件存储到阿里云盘里面，然后点击下图中的“AutoPanel"，选择“公网网盘”第一次使用需要设置“独立访问密码”，然后登陆你的阿里云账号，选择你想要的文件，点击“下载”等待即可（当然我觉得还是很慢，但至少成功上传了）按照自己的情况选择“计费方式”，我是用得没有非常频繁而且别人跟我说按量计费比较便宜所以选择了“按量计费”，地区以及GPU型号也是按照你自己的需求来选择就行。状态中显示“运行中”就是在正常运行，如果不是点击“开机”就行了（用好了记得关机，不然是会一直计费的!
AutoDL平台租借GPU，创建transformers环境，使用VSCode SSH登录
最新发布
Tummyiii的博客
03-10 681
1.注册并登录AutoDl官网：https://www.autodl.com/home2.选择算力市场，找到需要的GPU：我这里选择3090显卡3.这里我们就选择PyTorch4.使用SSH终端连接MobaXterm比较好用，这里作为演示确定好了，进去输入密码，就可以使用了。
用云服务器运行深度学习代码详细教程（Auto DL）
qq_72436205的博客
12-17 845
复制登录指令，指令格式通常如下：ssh -p 2***** root@connect.westc.gpuhub.com，其中主机填connect.westc.gpuhub.com，端口填2*****，用户名填root。4.之后点击工具，一般情况下会自动上传项目到刚刚设置的服务器的文件夹中，如果没有，就点击部署，把项目手动上传上去，之后启动ssh会话，就可以操作服务器了，其余与在本地操作相同。打开设置，选择SSH配置，点击新建 ，之后再auto dl上打开控制台，点击容器实例，选择刚刚创建好的容器，开机。
AutoDL算力云使用说明
qq_53124815的博客
05-18 2778
介绍一种租用算力的平台（AutoDL算力云）使用方法。
算力云AuToDL使用教程 （开机镜像环境配置）
qq_43583767的博客
02-01 1万+
注意：如果没有二次编译代码的需求，正常情况下不需要单独安装CUDA/cuDNN，因为框架都内置了编译好的CUDA，框架版本和CUDA版本是对应的，只需要关注框架版本即可，无需独立关注CUDA版本。平台内置的所有镜像都安装了Miniconda，安装路径为/root/miniconda3/。
AutoDL算力云平台使用教程
weixin_41504987的博客
09-05 7128
1.在JupyterLab中找到tmp文件夹进入后可以点击按钮上传.py文件和数据集等等，该操作结果会同步反映到vscode中，可以在本地十分方便地直接查看。AutoDL是一个国内的GPU租用平台，最近使用了一下，体验感还是很nice的，所以写了篇博客来介绍一下该平台的具体使用方式，也可以当做一个教程来学习。可以看到下面罗列出了各种GPU的租用价格，还算是比较亲民的。三、使用JupyterLab+Vscode配置服务器远程连接。具体操作参考帮助文档VSCode远程开发¶。3.本地点击运行即可开始训练。
Autodl服务器中Faster-rcnn(jwyang)训练自己数据集(二)
mw的博客
05-23 1375
前言上一章中完成了faster-rcnn(jwyang版本)的复现，本节将在此基础进一步训练自己的数据集~
【AutoDL集合】云服务器的连接和运用（手把手教学！有手就行）【更新中】
weixin_52326113的博客
04-14 2591
好了到这里基本的连接就结束了， 基本需要的软件和连接方式快去尝试一下吧！！！
AutoDL 云平台：平价高效的深度学习算力解决方案！
2302_77364146的博客
11-15 742
AutoDL 是一个专注于提供深度学习算力的云平台。它通过提供高性能的 GPU 资源，帮助用户轻松应对复杂的深度学习任务，同时保持成本的可控性。AutoDL 云平台广泛应用于图像识别、自然语言处理、语音识别等多个领域，帮助企业和研究者快速构建高性能的深度学习模型。如果你对 AutoDL 云平台感兴趣，不妨试试看吧！欢迎在评论区分享你的使用体验和心得！大家好，今天给大家介绍一个非常实用的云平台——AutoDL！
利用autoDL算力云平台用YOLOv8训练自己的数据集
weixin_53622993的博客
07-17 2400
创建完实例和yolo所需要的虚拟环境之后，将自己的数据导入平台，我的路径如图，其中annotation文件夹中放所有的xml文件，images和labels文件夹中分别有三个文件夹，如图分别装着训练，测试，验证的原图像和yolo所需要的txt文件。下载好后在该目录中创建data文件夹，里面创建一个yaml文件，yaml文件内容为训练集，测试集，验证集的路径，以及你的数据集的类别数量nc，和类别名。在主目录创建一个文件夹名为yolov8，cd进入yolov8目录，下载yolo所需要的配置文件。
autodl服务器中YOLOx训练自己数据集(VOC格式)
mw的博客
05-31 941
本篇文章主要讲解使用YOLOx训练自己数据集，其中包括数据集格式转换~
AutoDL-AI算力云线上lora模型训练平台讲解教程，面向纯小白修成炼丹师全面解析
umbato的博客
02-04 2996
在课程前言我们也提到过，如果你直接开始训练，可能会不停的调整训练参数，比如素材图质量、数量、训练轮次等，一轮又一轮，一次又一次的不停调试，观察每一次的Loss损失函数值和其他数据，那么这就是一个耗费时间和精力以及金钱的过程。关于底模的选择，可以是SD系列的基础大模型，也可以是别人训练好的大模型，但是如果使用别人训练好的大模型作为底模进行训练的话，有可能出现只擅长此大模型下绘图，而在其他大模型下绘图效果较差或者不适用的情况，除非你就是需要一个配合某个大模型出图的Lora模型，那就无所谓了。
用AutoDL算力云平台跑模型
qq_43155641的博客
07-14 981
3、建议在某个区上传好项目文件，配置好环境。如果关机后无卡了，用克隆模式即可。因为你用pycharm或者vscode远程，你还是要上传文件，还是要配置环境，麻烦得很。1、无论你是用什么办法，你的项目文件必须传进远程服务器，因为你就是租用了别人的服务器。同理，你的环境配置也必须在远程服务器那配置好。2、配置环境和上传数据时，用无卡模式，每小时0.1元。跑模型时，再用有卡模式。4、为了省钱，建议做好准备工作，代码OK了再上传去跑模型。
线上GPU租用推荐：AutoDL算力云
m0_67377541的博客
11-17 851
AutoDL非常良心，进行过多次降费，始终将最经济实惠的算力资源提供给大家使用。平台的算力也持续在更新，最新型号的显卡持续上线。使用便捷性上，AutoDL的不同机器可以共享网盘，使得代码和数据传输变得非常方便。值得一提的是平台提供的帮助文档，将日常使用的常见问题都逐个提供解决方案。即使你是深度学习、Linux的小白，也能在帮助文档的指导下快速上手。使用这个平台已经有2年多了，期间也对比了很多类似的平台，AutoDL是我见过的最好用、最经济实惠、算力资源最丰富的平台。
Pycharm连接云算力远程服务器（AutoDL）训练深度学习模型全过程
热门推荐
weixin_52010459的博客
01-28 2万+
我试图使用`笔记本联想小新air14的mx350显卡`训练一个图像检测的深度学习模型，但是训练时长大概需要几天时间远超我的预期，所以我便选择租用GPU进行训练，在对多家平台对比后找到了经济实惠的AutoDL，接下来是我租用GPU--配置环境--连接Pycharm--训练模型的全过程，基于本人也是刚入门的新手，如果有不恰当的地方还请大家指教。
AutoDL-算力云GPU租用教程
ma13549的博客
11-14 1678
最近一直在使用AutoDL这个国内的GPU租用平台，体验下来感觉相当不错。想着把我的使用心得分享出来，既能帮助对这个平台感兴趣的朋友，也可以当作一个入门教程。本文会详细介绍平台的具体操作方法和一些实用技巧，希望能帮大家少走些弯路^_^
算力云服务器训练yolo11
02-20
### 如何在算力云服务器上训练 YOLOv11 深度学习模型 #### 准备工作 为了能够在算力云服务器上顺利运行YOLOv11，需要先完成一系列准备工作。这包括但不限于选择合适的云服务提供商、创建并配置虚拟机实例以及设置必要的开发环境。 - **选择云服务商** 对于预算有限的学生群体而言，性价比高的AutoDL算力云是一个不错的选择[^1]。该平台提供了多种类型的GPU资源供用户按需选用，能够有效降低硬件成本的同时提高训练效率。 - **创建与配置实例** 登录到所选的云计算服务平台之后，按照指引新建一台具有适当规格（如内存大小、CPU核心数等）和操作系统版本（推荐Ubuntu LTS系列）的新机器。接着通过SSH工具连接至远程主机，并执行后续操作前确保网络连通性和安全性措施均已妥善安排好。 #### 安装依赖库 构建适合YOLOv11项目的软件栈至关重要。通常情况下，除了Python解释器本身外还需要额外安装一些第三方模块来支持框架功能实现： ```bash pip install numpy opencv-python matplotlib torch torchvision torchaudio --upgrade ``` 上述命令会自动下载最新稳定版PyTorch及其配套组件；而`numpy`, `opencv-python` 和 `matplotlib` 则分别用于数值计算、图像处理及可视化展示等方面的工作[^2]。 #### 获取源码仓库 访问官方GitHub页面获取最新的YOLOv11项目文件夹副本。可以利用Git客户端克隆整个存储库到本地目录下以便进一步修改和完善代码逻辑结构： ```bash git clone https://github.com/ultralytics/yolov5.git yolov11_repo_name_here cd ./yolov11_repo_name_here/ ``` 请注意实际地址可能因时间推移有所变动，请务必查阅文档说明确认具体链接路径。 #### 数据预处理 针对特定应用场景准备高质量标注样本集是至关重要的一步。一般建议遵循如下流程： - 收集原始素材图片； - 使用LabelImg或其他类似工具标记目标物体边界框坐标信息； - 将整理好的数据划分为训练集、验证集两部分保存成相应格式（例如COCO JSON标准），最后上传至云端指定位置等待调用。 #### 开始训练过程 一切就绪后就可以着手编写脚本启动正式的学习任务啦！下面给出一段简单的Shell指令作为参考模板： ```bash python train.py \ --img 640 \ # 输入分辨率尺寸设定为640*640像素 --batch-size 16 \ # 批量处理规模设为每次加载16张图象进入缓存区 --epochs 300 \ # 总共迭代循环次数达到300轮次为止 --data path/to/data.yaml \ # 自定义的数据描述文件所在绝对路径 --weights '' # 如果是从头开始则留空字符串表示不加载任何预训练权重参数 ``` 以上就是大致介绍如何基于公有云基础设施之上部署YOLOv11的目标检测算法全流程概览。当然具体情况还需视个人需求灵活调整各项超参取值范围直至获得满意效果为止。
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值