【目标检测】AutoDL服务器训练YOLOv8全过程（保姆级教程）

AutoDL服务器训练YOLOv8全过程

关于作者

作者：小白熊

作者简介：精通python、matlab、c#语言，擅长机器学习，深度学习，机器视觉，目标检测，图像分类，姿态识别，语义分割，路径规划，智能优化算法，数据分析，各类创新融合等等。

联系邮箱：xbx3144@163.com

科研辅导、知识付费答疑、个性化定制以及其他合作需求请联系作者~

前言

  在计算机视觉领域，目标检测技术应用广泛。YOLOv8 因其高效的实时检测能力和优越的性能备受关注，为了更好地利用这一强大的工具，本文将详细介绍如何通过 AutoDL 服务器训练 YOLOv8 模型。无论是服务器的配置、数据集的准备，还是模型的训练与预测，本文将一步步引导你完成整个流程。希望本教程能够帮助你快速上手，并为你的深度学习项目奠定坚实基础。

一、租用服务器

  AutoDL网站：https://www.autodl.com

​

  根据自己需要租用服务器，租用完成后，在容器实例处查看租用的服务器

二、连接服务器

注意：需要提前安装 PyCharm 专业版，社区版不支持连接服务器。

1、添加SSH解释器

2、添加服务器配置

  复制ssh，分别对应输入主机、端口、用户名，输入完成后点击下一个。

3、输入密码

  根据提示输入服务器密码，完成连接。

4、选择解释器

  选择：/root/miniconda3/bin/python3

5、取消勾选自动上传

  取消勾选“自动上传”，避免自动将项目路径下的所有文件上传至服务器。

三、上传数据

  注意：由于数据集文件较多，建议先将数据压缩，再上传至服务器，这样会更快。

四、创建环境

  YOLOv8 项目官方提供的压缩包中包含 requirements.txt 文件，记录了项目的主要依赖库。在终端中执行以下命令：

更新pip库 python -m pip install --upgrade pip
添加清华源 pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
安装依赖库 pip install -r requirements.txt

五、修改.yaml文件

  data.yaml作用是指定数据集信息，包括数据集路径、类别、类别名

参数解释：

• train：指定训练集的路径
• val：指定验证集的路径
• test：指定测试集的路径
• nc：表示类别数量
• names：表示类别名称

六、训练模型

from ultralytics import YOLO
import warnings

warnings.filterwarnings("ignore")

# 训练模型
model = YOLO("/tmp/pycharm_project_381/model/yolov8n.pt")  # 模型文件
model.train(data="/tmp/pycharm_project_381/data/data.yaml", epochs=200, batch=64, device=0)

参数解释：

data：数据集配置文件的路径，即上一步的文件

epochs：训练轮数

batch：批处理大小

device：0表示使用GPU训练，'cpu'表示使用CPU训练

训练完毕后，结果保存在 .\runs\detect\train
其中训练好的模型保存在 .\runs\detect\train\weights
有 last.pt 和 best.pt，一般使用best.pt

七、模型预测

from ultralytics import YOLO
import warnings

warnings.filterwarnings("ignore")

# 预测
model = YOLO("/tmp/pycharm_project_381/runs/detect/train/weights/best.pt") # 训练好的模型
image_path = r'/tmp/pycharm_project_381/data/images/test/  (8).jpg'
model.predict(image_path, device=0, save=True)

参数解释：

• image_path：表示待预测的图片路径

• device：0表示使用GPU训练，'cpu'表示使用CPU训练

• save：Ture表示保存结果，False表示不保存结果

结束语

  通过以上步骤，你已经成功在 AutoDL 服务器上完成了 YOLOv8 训练和预测的全过程。希望本教程能帮助你更好地掌握 YOLOv8 的使用方法，并为你的深度学习项目提供支持。祝你取得优异的训练成果！