Pycharm连接远程服务器进行模型训练——以YOLOv8为例

五倍子的代码空间

已于 2024-04-26 16:04:43 修改

阅读量3k

点赞数 44

分类专栏：项目实战文章标签： YOLO pycharm python 深度学习人工智能计算机视觉神经网络

于 2023-12-26 14:21:29 首次发布

本文链接：https://blog.csdn.net/qq_62738515/article/details/135215677

版权

项目实战专栏收录该内容

5 篇文章 0 订阅

订阅专栏

问题四：No module named 'ultralytics'？

问题五：如何更改配置？

问题六：训练过程中可能出现显存不够的情况

前言

本文主要记录笔者在利用运用远程服务器训练YOLOv8过程中遇到的问题，希望能帮助想要利用云算力进行训练的小白。注意：只有专业版的Pycharm才能连接远程服务器！

问题解答

问题一：远程服务器有哪些，怎么选？

回答：笔者使用过比较好的云服务器比如AutoDL算力云，恒源云，智星云，本文以AutoDL为例

问题二：如何进行连接？

回答：首先需要购买可用的云服务器(根据需求选取)

购买好并正常开机后会出现以下信息，图中可以看到有登录指令和密码，之后会用到

打开Pycharm，利用SSH创建新的解释器

复制AutoDL提供的登录指令和密码，例如登录指令为ssh -p 50529 root@region-5.autodl.com，则端口为50529，用户名为root

连接成功后，需要配置解释器的位置，一般均位于/root/miniconda3/bin/python

最后，等待一段时间就连接成功了，连接成功后会自动上传当前项目的所有文件

问题三：如何成功运行模型？

回答：YOLOv8官方的代码可以从github上获取(ultralytics/ultralytics: NEW - YOLOv8)。首先需要准备数据集(AutoDL也提供部分数据集，可参考另一篇文章的介绍here)，并准备相关目录，需要新建runs文件夹用于存储训练结果等文件(运行过程会自动保存)，在ultralytics/datasets中添加准备好的数据集，同时需要新建yaml配置文件

yaml配置文件内容如下。本文以目标检测为例，nc即表示需要检测的类别数，names存放类别名称(注意类别标号要和顺序一致)，同时一定要注意path的路径，由于使用的远程服务器，需要知道当前项目存储在服务器的位置，并使用绝对路径的写法，否则后续会出现很多问题！

path: /tmp/pycharm_project_7/ultralytics/datasets/VOC2012/imageSet  # 数据集的根路径
train: ./train.txt # 训练集的相对路径
val: ./val.txt # 验证集的相对路径
#test:  test # test images (optional)

# Classes
nc: 20  # 写自己的类别数
names: ['aeroplane', 'bicycle', 'bird', 'boat', 'bottle', 'bus', 'car', 'cat', 'chair',
           'cow', 'diningtable', 'dog', 'horse', 'motorbike', 'person', 'pottedplant', 'sheep', 'sofa', 'train',
           'tvmonitor']  # 对应类别名称

训练集与验证集的存放：

新建train.py文件，编写训练语句(也可以在终端输入命令进行训练)，注意路径的写法，与上述一致，需要用绝对路径！

from ultralytics import YOLO
import time

# 加载模型
model = YOLO("yolov8-p2.yaml")  # 从头开始构建新模型,根据需要可更改为其他的模型
# model = YOLO("yolov8s.pt")  # 加载预训练模型（建议用于训练）
#model = YOLO('yolov8s-cls.yaml').load('yolov8s-cls.pt')  # 从 YAML加载 然后再加载权重

begin = time.perf_counter()
# 使用模型
model.train(data="/tmp/pycharm_project_7/ultralytics/datasets/VOC2012/VOC2012.yaml")  # 训练模型
end = time.perf_counter()
# metrics = model.val()  # 在验证集上评估模型性能
# print(metrics.box.map)  # map50-95
# print(metrics.box.map50)  # map50
# print(metrics.box.map75)  # map75
# print(metrics.box.maps)  # 包含每个类别的map50-95列表
# print(metrics.box.mp)  # 所有类别的平均精度
# print(metrics.box.mean_results)  # 结果平均值
# print(metrics.speed)
# print(metrics.results_dict)  # 输出包含分类指标和适应性的字典
# print(metrics.keys)  # 输出结果字典的键列表

#results = model("https://ultralytics.com/images/bus.jpg")  # 对图像进行预测
success = model.export(format="onnx")  # 将模型导出为 ONNX 格式

print('训练时间: ', end-begin)