AutoDL云端直接训练YOLOv8模型，不需要本地部署环境

配置环境

AutoDL算力云网站 www.autodl.com/

选一个合适自己的卡，点击立即租用

点击社区镜像在下方输入框输入YOLO搜索

点击yolov8配置环境
创建并开机，创建实例

上传数据集

右上角控制台

容器实例里就有所租用的卡，在此之前可以先上传数据集

之前我们租的实例是哪个区的，下面我们文件存储就点击哪个区然后进行上传数据集，上传压缩包，文件存储在实例中的挂载目录为：/root/autodl-fs，这个我们一会会用到。

回到容器实例，如果已经开机就点击JupyterLab，没有开机的话可以先点击更多，无卡模式开机先配置模型数据集文件。

进入Jupyter我们上传的数据集压缩包就已经到了autodl-fs里面了，现在对他进行解压。

在终端输入以下指令：

先步入到上传到的文件夹内
cd autodl-fs

解压
unzip xxx.zip 直接解压到当前文件夹中
或者
unzip -d xxx.zip 解压到指定文件夹中

我这边是直接解压到当前文件夹里了。

配置数据集参数

点开解压好的数据集，对.yaml文件进行编辑。

path 输入为绝对路径
path: /root/autodl-fs

可以把.yaml放置在本目录下。

训练参数设置

如果没有放在本目录下，data=' '中的内容就改成绝对路径的.yaml

epochs迭代次数，imgsz训练图片大小640*640px，workers线程数，batch一次处理的图片数。

这里的weights可以换成预训练权重以减少一开始的训练时间。

后缀	参数量 (Millions)	FLOPs (Billion)	适用场景
n (nano)	~1.9M (YOLOv8)	~3.2	超轻量级，移动端/嵌入式设备
s (small)	~11.4M (YOLOv8)	~28.6	平衡速度和精度（最常用）

其他参数，更多可以去网上搜索

parser = argparse.ArgumentParser()
parser.add_argument('--weights', type=str, default='yolov5s.pt', help='初始权重路径')
parser.add_argument('--data', type=str, default='coco128.yaml', help='数据集配置文件')
parser.add_argument('--epochs', type=int, default=300, help='训练轮次')
parser.add_argument('--batch-size', type=int, default=16, help='批次大小')
parser.add_argument('--img-size', nargs='+', type=int, default=[640, 640], help='输入图像尺寸')
args = parser.parse_args()

这样我们的数据集包括训练参数工作就已经做完了，剩下的就是训练了。

打开一开始的.md会有教程也可以直接看下面我打出的代码。

开始训练

 在终端输入

cd ultralytics-8.3.27

python train_v8.py --cfg ultralytics/cfg/models/v8/yolov8.yaml

即可开始训练