目录
方法二：修改 opt.yaml（如果项目自动保存了参数文件）
一、注册账号
注册账号较为简单，这里不多说,大家自行去网站注册就好（注：学生用户可以学生认证，有优惠）
这里附上AutoDL网站：AutoDL算力云 | 弹性、好用、省钱。租GPU就上AutoDL
二、创建实例
点击AutoDL网站页眉的算力市场，空闲的GPU会显示在最前面，如果发现第一页都没有空闲的，就切换地区（不要翻页找了，我刚开始用的时候还傻傻地找，汗颜）
还要注意看你租用的服务器有没有GPU，有的租费很便宜（1元以下的）就没有GPU。至于怎么选择GPU，这里给个参考：我训练的数据集大概有两三千张图像，选择上图1.58元一小时的就够用。大家可以自行尝试一下，试错成本不高。
然后就是点击蓝色的按钮（x卡可租），这里需要选择基础镜像（注：这里选择后面进服务器还可以自己重新配置，选错了问题也不大），我选择的版本如下图：
点击页面右上角的控制台-容器实例，就可以看到自己创建的实例：
三、上传和下载文件
实例创建完之后，就要把yolov9模型代码的压缩包上传到你创建的实例（云服务器）和租用GPU训练完模型后从服务器（你创建的实例里）下载文件到本地，有如下两种方式：
3.1 用JupyterLab上传和下载文件
帮助文档里有介绍JupyterLab上传还有其他方式（SCP远程拷贝、FileZilla和XShell）：AutoDL帮助文档
下载文件很简单，首先使用压缩命令压缩你的文件，再右键该文件的压缩包即可下载。
这里，我压缩成zip格式，在终端用的命令是
zip -r <自定义压缩包名称>.zip <待压缩目录的路径>压缩成其他格式的压缩命令看这：AutoDL帮助文档
3.2 用Xftp上传和下载文件
Xftp 是由 NetSarang 公司开发的一款高性能 FTP/SFTP 客户端工具，专为 Windows 和 macOS 用户设计。它支持多种文件传输协议，并通过直观的图形界面简化远程服务器文件管理，广泛应用于 (a.网站开发：上传网页文件到远程服务器、b.数据备份：定期下载服务器数据库或日志文件、c.运维管理：批量更新服务器配置文件、d.协作共享：在团队内部共享大型项目文件)等场景。
1、下载Xftp
下载步骤很简单，这里就不多说了，正常下载就好
2、打开Xftp连接你创建的主机（服务器）
点击左上角 文件-新建 就会弹出下面的界面：
然后复制你先前创建好的实例的SSH登录那一列的信息，即：
这里给出个例子：比如你复制的登录指令是 ssh -p 66666 root@connect.bjb1.seetacloud.com
其中，66666就是端口号，root就是用户名，connect.bjb1.seetacloud.com就是主机，按照这个填写上面的新建会话页面，然后再复制密码填写到上面的新建会话页面即可连接服务器，如下图所示：
连接好之后的界面，一般情况下，左边部分是本地，右边是服务器，界面图如下：
把左边的压缩文件拖到右边即是上传，把右边的压缩文件拖到左边即是下载，这里不多赘述，大家自行去试一下即可。
四、配置环境
4.1 解压上传的压缩包
开机后，打开JupyterLab，点击终端
解压你上传的压缩文件，这里我是zip格式，所以我用的命令是：
unzip <待解压压缩包名称>.zip -d <解压到哪个路径>其他格式的解压命令看这里：AutoDL帮助文档
注：若没有指明解压路径，一般情况下默认解压到你上传的压缩文件所在路径。
4.2 创建并配置环境
创建和配置环境，我用到的anaconda命令看这里：在训练模型前配置环境时，我常用的anaconda命令_annaconda进去环境指令-CSDN博客
1、创建并进入虚拟环境
创建环境命令：
conda create --name env_name python=3.9 # 同时创建环境并下载指定python版本，（env_name自己命名）进入环境命令：
conda activate env_name
2、配置环境
yolov9模型有requirements.txt这文本，文本中都有记录该模型配置环境时需要的各种包的版本的。要下载这份文本下的安装包，我们就要到该目录下读到这份文件。
所以，先是切换路径指令：
cd 存放requirements.txt的路径
再是读取这份文件下载相应的包
下载命令：
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple就会把requirements.txt文档中的包都下载了，如下图所示：
五、训练模型
这里就不用多说了，这篇博客主要介绍怎么使用AutoDL，后续如果有空，我再补上这块内容，这里就简单介绍一下。
我用的是train_dual.py，就在该python文件修改自己的参数，然后直接在终端输入
python train_dual.py即可训练。
六、其他的我遇到的一些小问题
以下是一些比较个性化的问题，我随笔记录一下，大家也就随便看看。
6.1 系统盘空间不够
解决方法有如下：
1、把数据存放在数据盘/root/autodl-tmp
2、清理垃圾
这里我刚开始的误区就是认为把文件删掉了，就可以腾出空间
实际上，这被删除的文件是在类比于window系统的回收站里，仍占着空间
终端命令 ：
du -sh /root/miniconda3/pkgs/ && rm -rf /root/miniconda3/pkgs/* # conda的历史包
du -sh /root/.local/share/Trash && rm -rf /root/.local/share/Trash # jupyterlab的回收站详细请看这里：AutoDL帮助文档
6.2 终端使用conda命令不被识别
解决方案：在终端输入conda init，然后再关闭终端，再重启即可。
6.3 如何中断训练和中断后如何继续训练或增减训练轮次
1、中断训练
你可以通过按下 Ctrl + C 来手动中断训练，或者在代码中设置中止条件。
2、继续训练
YOLOv9 一般是基于 Ultralytics 或者相似的框架（如 YOLOv5/YOLOv8 风格），继续训练的方式如下：
基本命令：
python train_dual.py --cfg cfg/yolov9.yaml --data data.yaml --weights runs/train/exp/weights/last.pt --resume参数说明：
--weights：指定你中断时保存的权重，一般是 last.pt。
--resume：表示恢复训练。
注意：
某些版本中 --resume 自动寻找上一次的训练路径，你可以不指定 --weights。推荐查看官方文档或命令行 help：python train.py --help。
3、增减训练轮次的方法
第一步：修改 opt.yaml（如果项目自动保存了参数文件）
在 runs/train/exp/ 目录下，可能有个 opt.yaml 文件，里面记录了训练参数。
第二步：恢复训练并追加轮次
手动修改其中的 epochs: 项，然后再使用 --resume 恢复训练。
python train_dual.py --weights runs/train/exp/weights/last.pt --epochs 100 --resume
注意：如果你中断在第 50 轮，想继续训练到第 100 轮：--epochs 100 是总训练轮次（不是继续训练的轮数）。所以如果已经训练了 50 轮，这个命令会再训练 50轮（直到达到总共 100 轮）。
扫一扫
2720
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
