基于AutoDL和pycharm实现yolov7靶子的目标检测（目前仅针对AutoDL使用方法自留防忘，不针对yolov7的复现）

写在前面

这个主要是python课设

我使用的pycharm是2023.2.2版本

目录

1. 创建实例

2. 上传文件

2.1 打包成zip上传

2.2 Xftp上传（推荐）

2.2.1 打开Xftp，点击新建

2.2.2 输入信息连接主机

2.2.3 上传文件

3. 连接pycharm

3.1 通过setting里面的编译器（推荐）

3.2 通过Tool 里的 Deployment

4. 查看代码并运行

5.报错记录

6. 运行结果

6.1 50 epoch的yolov7模型

6.2 70 epoch的yolov7模型

6.3 100 epoch的yolov7模型

6.4 70 epoch的yolov7x模型

---

1. 创建实例

  AutoDL网址：

AutoDL算力云 | 弹性、好用、省钱。租GPU就上AutoDL

（1）选择租用新实例

（2）选择镜像

上面的按需选择，这里选择的是大佬上传的“yolov7-v2“的”社区镜像”，在此感谢大佬，省去了我在网上看半天怎么搞租用GPU后配置GPU版本pytorch的麻烦。（当然可能也不麻烦，只是涉及知识盲区，我就会一头雾水。） 

2. 上传文件

2.1 打包成zip上传

将整个项目文件打包成zip，在“我的网盘”上传。

参考AutoDL上传数据详细步骤（自己用的步骤，可能没有其他大佬用的那么高级）-CSDN博客

也可以用Xftp。

Note:你要租用哪个地区的GPU就创建哪个地区的网盘，免费存储空间20G

（先进行这一步是因为上传的太慢，实例运行过程要钱，当然也可以先创建再关机）

好吧实在太慢了，我还是用Xftp吧

2.2 Xftp上传（推荐）

下载地址：家庭/学校免费 - NetSarang Website (xshell.com)

安装过程参考：Xftp的下载和安装教程(图文教程)_技术员网 (jishuy.com)

Note：亲测不注册登陆也可以用，直接回车就行

2.2.1 打开Xftp，点击新建

2.2.2 输入信息连接主机

从Autodl复制登陆指令

复制后在别的窗口或者文件粘贴，可以得到形为

ssh -p xxxxx root@xxxxxxxxx

其中，

主机为@后面的所有东西

端口号为-p和root中间的数字

用户名为root

密码在autodl网页上登陆指令的下面

将上述内容填入Xftp新建会话中，名称随便填，别搞混就行。

点击连接。

2.2.3 上传文件

在右侧打开autodl-nas文件夹，开始上传文件。

传的快多了，我传2.37G的文件夹大概5-6分钟。

搞定！

3. 连接pycharm

如果第二步是用的Xftp且是无卡模式开机，咱们就先关机重新开机。

如果你的GPU被占用了开不了也不要慌，重新租一台，只要还是原来的区，原来的镜像就可以。

两种连接方式：

3.1 通过setting里面的编译器（推荐）

（1）“File”->"Settings..."

(2)"Python Interpreter"->"Add Interpreter"->"On SSH"

(3)然后就是正常的输入Host，Port，Username和password的过程

（4）这一步选择“System Interpreter”，然后默认值即可，点击“Create”

3.2 通过Tool 里的 Deployment

（1）选择“Deployment” -> "Confiuration..."

（2）添加SSH

（3）从AutoDL已经开机的实例复制SSH和密码，配置pycharm。Host是@之后的部分，Port为前面的数字，Username为root。

Note：最好点“Save possword”！

（4）点击“OK”后：

取消勾选“Visible only for this project”

测试连接：点击“Test Connect”，大概率都没问题，我是没有遇到的。

设置root path：按图中设置即可

点击“OK”

4. 查看代码并运行

（1）点击“Tools”->"Deployment"->"Browse Remote Host"

（2）然后可在右侧查看云上文件，找到自己上传的文件夹，我的文件夹如图所示。

（3）勾选终端（忽略一下我的内容，因为我已经开始运行了）

（4）运行代码

在右侧自己上传的文件夹中打开要运行的文件，我的是train.py

！！！！！！Note（特别重要，含泪踩坑）：

运行代码一定要在终端打开你的project所在的文件夹，再在终端运行

例如我的文件夹上面那张可以看到，所以我需要在终端输入

cd autodl-nas/yolov7-main/
python train.py

对于你们，就要输入

cd autodl-nas/你的文件夹/
python 你要运行的文件

更改代码之后一定要点右上角的upload，且改一个文件就要upload一次

（可以设置自动unload但我没设置，因为我也没改什么东西）

或者在tools里一键upload（嗯我也没用过你们可以试试）

5.报错记录

至此，教程已经全部结束，记录一下我遇到的几个报错：

1. 大部分的报错是因为我改了代码没点upload，这里不再赘述

2. Illegal char at index 0 SSH pycharm

这个报错主要还是路径问题，我用终端的办法打开project所在文件夹然后在终端运行，问题解决。

还是把上面的步骤搬下来。

 在终端输入

cd autodl-nas/yolov7-main/
python train.py

即输入

cd autodl-nas/你的文件夹/
python 你要运行的文件

3. AutoDL CUDA out of memory. Tried to allocate 400.00 MiB (GPU 0; 10.75 GiB total capacity; 8.61 GiB already allocated; 26.50 MiB free; 9.43 GiB reserved in total by PyTorch)

这个我一开始以为是batch_size的锅，改成4了还是报错，最后点“实例监控”看了一下，发现CPU的

占用率都超过1000%了（轻轻趋势），我才想起来好像是我把workers搞成8了，依稀记得workers是用来加速的CPU数量吧，直接改成0（应该是使用1个cpu加速的意思，说错算了，懒得查了），问题解决。

4. yolov7自动停止训练且再次运行报错内存不足

通过实例监控发现代码没运行但GPU还在工作，于是直接把GPU关了重启，再接着没训练完的训练完就ok

5. yolov7自动停止训练怎么继续

找到train.py中的参数‘--resume’，修改为default=True，再次运行代码就会接着train里最新的exp继续训练到上次要求的epoch。

parser.add_argument('--resume', nargs='?', const=True, default=False, help='resume most recent training')

静候我的训练结果再更新

---

6. 运行结果

test 文件夹中的 22 张图片质量参差不齐，我们除了对整体的图片输出结果进行简要阐述外，选取了 sy_imgs_012.jpg （清晰）、 sy_imgs_330.jpg （倾斜）、 sy_imgs_417（有混淆性）、 sy_imgs_448.jpg （模糊）分别作为具有代表性的样本进行效果展示。

（最后提交的报告里还分析了训练参数，参考了yolov5训练结果解析_yolov5 结果-CSDN博客和yolov7模型训练结果分析以及如何评估yolov7模型训练的效果_yolo训练结果_把爱留给SCI的博客-CSDN博客）

6.1 50 epoch的yolov7模型

22 张测试机图片经过训练完 50 个轮次的模型输出后，均可较为准确地识别出靶心位置，识别框同样较为准确。22 张图片无漏判和误判情况出现，识别置信度大部分（10 个）位于 0.50-0.59 之间。

测试集 22 张图片识别的置信度如下：

可以看出，虽然样本对目标的检测非常准确，但识别置信度整体偏低，且识别的置信度不稳定。

测试集表现效果较好，样本表现如下图所示。

6.2 70 epoch的yolov7模型

22 张测试机图片经过训练完 70 个轮次的模型输出后，均可较为准确地识别出靶心位置，识别框同样较为准确。22 张图片均无漏判和误判情况出现。

测试集 22 张图片识别的置信度如下：

可以看出，样本对目标的检测不仅非常准确，且识别置信度整体也比较高，绝大部分（21 个）位于 0.86-0.93 之间，且无论样本质量如何，识别的置信度都比较稳定。

测试集表现效果良好，样本表现如下图所示。

6.3 100 epoch的yolov7模型

22 张测试机图片经过训练完 100 个轮次的模型输出后，均可较为准确地识别出靶心位置，识别框同样较为准确。除了 sy_imgs_440.jpg 这张图片出现一个多余的置信度为 0.27 的误判（如下所示），其余 21 张图片无漏判和误判情况出现。

测试集 22 张图片识别的置信度分布如下：

可以看出，样本对目标的检测非常准确，识别置信度整体也较高，但识别的置信度不够稳定。

测试集表现效果良好，样本表现如下图所示。

6.4 70 epoch的yolov7x模型

22 张测试机图片经过训练完 70 个轮次的模型输出后，均可较为准确地识别出靶心位置，识别框同样较为准确。22 张图片均无漏判和误判情况出现。

测试集 22 张图片识别的置信度分布如下：

大多数样本（ 17 个）的置信度大于 0.90 。可以看出，样本对目标的检测非常准确，识别置信度整体也非常高，识别的置信度也比较稳定。

测试集表现效果良好，样本表现如下图所示。