手把手教你使用AutoDL云服务器训练yolov5模型

已于 2023-08-01 15:04:57 修改
阅读量1.6w 收藏 643
点赞数 85
文章标签： YOLO 计算机视觉 目标检测 人工智能 AutoDL 服务器
于 2023-07-25 10:15:40 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_43334693/article/details/131896588
版权

  

目录

📢0.准备工作

🎄1.进入AutoDL—创建实例

🌻 第①步：  注册账号

🌻 第②步：  租用服务器

🌻 第③步： 创建环境

🌻 第④步： 创建实例

🎄2.下载Xftp—上传文件

🌻 第①步：进入网站下载

🌻 第②步：安装Xftp

🌻 第③步：打开Xftp进行连接

🌻 第④步： 上传文件

🎄3.进入JupyterLab—配置环境

🌻第①步： 进入JupyterLab

🌻第②步：  解压文件

🌻第③步：  修改文件参数

🚀4.开始训练

💬省钱小tips 

🌟本人YOLOv5系列导航

🍀YOLOv5源码详解系列

🍀YOLOv5入门实践系列 

🍀YOLOv5改进系列

📢0.准备工作

（1）划分好的数据集

（2）如果是自己改进的模型，要保证在本地可以运行

（3）一点点零花钱

🎄1.进入AutoDL—创建实例

网址：AutoDL-品质GPU租用平台-租GPU就上AutoDL

🌻第①步：  注册账号

首先进入网站，注册账号并进行学生认证，认证成功有10块钱的代金券，领它！

🌻第②步：  租用服务器

然后点击算力市场，购买服务器。

🌻 第③步： 创建环境

大家可以根据自己的配置选择对应的版本。如果和我一样是yolov5可以选择这个社区镜像，选择u版那个。

🌻 第④步： 创建实例

点击立即创建，这样就可以在控制台看到我们已经租用成功了。

🎄2.下载Xftp—上传文件

 网址：XFTP - NetSarang Website (xshell.com)

 Xftp是一个功能强大的SFTP、FTP 文件传输软件。使用了 Xftp以后，MS Windows 用户能安全地在 UNIX/Linux 和 Windows PC 之间传输文件。

🌻 第①步：进入网站下载

🌻 第②步：安装Xftp

接下来就是不停地点“我接受”，“下一步”，选择安装位置的过程。

🌻 第③步：打开Xftp进行连接

首先分别复制SSH的登录指令和密码。

然后新建Xftp会话框。

输入主机、端口号、用户名、密码。

举个栗子，这是我复制的SSH：

  • 登录指令：ssh -p 48925 root@region-3.seetacloud.com
  • 密码：xxxx

所以我的输入就是： 

  • 主机HOST：region-3.seetacloud.com（刚才复制的登录指令@后面的内容）
  • 端口号：48925
  • 用户名：root
  • 密码：xxxx（刚才复制的密码）

点击连接，就成功连接上了。

​

🌻 第④步： 上传文件

在左边窗口找到文件对应位置，直接按住鼠标左键拖到右边就好了。

接下来就是漫长的上传时间~

🎄3.进入JupyterLab—配置环境

🌻第①步： 进入JupyterLab

打开JupyterLab，进入终端页

🌻第②步：  解压文件

在终端输入以下指令：

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

 如下图所示：

 开始解压：

🌻第③步：  修改文件参数

首先修改数据集路径。直接复制数据集路径，前面要加上“/root/”

（因为每个人的文件目录是不同的，所以这一步只是记录我的，大家仅供参考~）

然后修改train.py参数

 （因为在本地训练时，大家的batch和workers设置的可能都是1和0，在服务器上我们就可以加快速度了。当然，这一步不是必要的，大家按照自行需要修改噢~）

🚀4.开始训练

输入以下指令：

cd 你的文件名 #进入环境

python train.py #开始训练

 这样就可以运行啦！

完结！撒花 

💬省钱小tips 

（1）AutoDL有无卡模式开机，不运行程序的时候可以选择无卡模式，比如导入代码、导入预训练模型等。测试网络模型（比如运行yolo.py还有detect.py都可以选择无卡模式）

 （2）如果有事离开可以算好预计时间，设置定时关机。

🌟本人YOLOv5系列导航

962f7cb1b48f44e29d9beb1d499d0530.gif​   🍀YOLOv5源码详解系列：  

YOLOv5源码逐行超详细注释与解读（1）——项目目录结构解析

​​​​​​YOLOv5源码逐行超详细注释与解读（2）——推理部分detect.py

YOLOv5源码逐行超详细注释与解读（3）——训练部分train.py

YOLOv5源码逐行超详细注释与解读（4）——验证部分val（test）.py

YOLOv5源码逐行超详细注释与解读（5）——配置文件yolov5s.yaml

YOLOv5源码逐行超详细注释与解读（6）——网络结构（1）yolo.py

YOLOv5源码逐行超详细注释与解读（7）——网络结构（2）common.py

962f7cb1b48f44e29d9beb1d499d0530.gif​​   🍀YOLOv5入门实践系列：  

YOLOv5入门实践（1）——手把手带你环境配置搭建

YOLOv5入门实践（2）——手把手教你利用labelimg标注数据集

YOLOv5入门实践（3）——手把手教你划分自己的数据集

 YOLOv5入门实践（4）——手把手教你训练自己的数据集

  YOLOv5入门实践（5）——从零开始，手把手教你训练自己的目标检测模型（包含pyqt5界面）

962f7cb1b48f44e29d9beb1d499d0530.gif 🍀YOLOv5改进系列：

YOLOv5改进系列（0）——重要性能指标与训练结果评价及分析

YOLOv5改进系列（1）——添加SE注意力机制

YOLOv5改进系列（2）——添加CBAM注意力机制

YOLOv5改进系列（3）——添加CA注意力机制

YOLOv5改进系列（4）——添加ECA注意力机制

YOLOv5改进系列（5）——替换主干网络之 MobileNetV3

YOLOv5改进系列（6）——替换主干网络之 ShuffleNetV2

YOLOv5改进系列（7）——添加SimAM注意力机制

YOLOv5改进系列（8）——添加SOCA注意力机制

YOLOv5改进系列（9）——替换主干网络之EfficientNetv2

​​​​​​YOLOv5改进系列（10）——替换主干网络之GhostNet

YOLOv5改进系列（11）——添加损失函数之EIoU、AlphaIoU、SIoU、WIoU

YOLOv5改进系列（12）——更换Neck之BiFPN

YOLOv5改进系列（13）——更换激活函数之SiLU，ReLU，ELU，Hardswish，Mish，Softplus，AconC系列等

YOLOv5改进系列（14）——更换NMS（非极大抑制）之 DIoU-NMS、CIoU-NMS、EIoU-NMS、GIoU-NMS 、SIoU-NMS、Soft-NMS

YOLOv5改进系列（15）——增加小目标检测层

YOLOv5改进系列（16）——添加EMA注意力机制（ICASSP2023|实测涨点） 

YOLOv5改进系列（17）——更换IoU之MPDIoU（ELSEVIER 2023|超越WIoU、EIoU等|实测涨点）

从零开始使用云服务器训练自己的深度学习模型
m0_67388791的博客
01-28 2476
当我们本地的计算资源无法满足需要时，需要借助云服务器平台（本文以AutoDL为例），简单的使用教程如下。1.注册自己的AutoDL账号，进入主页的算力市场，选择合适的GPU型号，这里我们选择西北B区的3060。接着，选择合适的镜像后点击立即创建开机，开机后可以看到自己的SSH命令和密码。之后在弹出的连接框里输入之前开机后的SSH指令，选择本地的config。在左侧即可看到对应的连接，点击箭头即可在本窗口内打开来连接。点击箭头，输入密码，使用右上角的SFTP进行文件的上传。添加自己的SSH信息。
在AutoDL上训练自己的yolov5模型
2301_79747068的博客
08-29 470
其中path为dataset路径，改为./dataset因为建立的dataset在yolov5目录下，再修改train和val的路径，name是类别，这里修改为自己标定的类别。这个就是检测的结果，模型文件在weights下，best.pt是在验证集上最后的模型文件，last.pt是最后一次的模型文件。下载yolov5s.pt和Arial.ttf字体文件到yolov5目录下在就不用训练的时候下载，在训练的时候下载容易出问题。训练完的结果保存在run/train下。再建 image，和label文件夹。
嵌入式部署神经网络——用autodl服务器租用GPU训练本地深度学习模型流程全解（超详细、Pycharm IDE）
最新发布
2403_87807542的博客
03-14 1187
（6）点击开机（我建议选择无卡开机，也就是点击更多，点击无卡开机），无卡开机意思就是此时你不占用GPU资源，容易出现的问题就是上文我说的下次选择有卡开机时，GPU被别人占了，这个时候就非常难崩了，但好处就是一个小时一毛钱，花起来不心疼，因为你要进行比较长时间的数据传输，尤其是你数据集非常大的时候（比如我18万张三通道png图像）（10）至此，完成了全部，不过你需要等待解释器的更新传递（有可能比较慢），还有数据集的同步，我这太大了，导致很慢，可以选择无卡开机，上传会快一点。
AutoDL云服务器运行python项目（保姆级教程）
qq_52754410的博客
10-31 1083
AutoDL云服务器运行python项目（保姆级级教程）
AutoDL云gpu训练yolov5，保姆级教程
ldz1221的博客
04-05 3488
保姆级云gpu训练yolov5教程，十分详细
AutoDL训练YOLOV5
南栀北辰SDN的博客
04-05 1874
主要介绍租用，训练YOLOV5。
在AutoDL平台训练yolov5模型教程
qq_33163464的博客
05-22 4172
通过AutoDL平台训练Yolov5目标检测模型
AutoDL云服务器的使用
醋酸洋红的博客
09-21 3579
使用此云服务器的优势学生认证，省钱可无卡模式启动，省钱上传数据比较方便网站。
AutoDL云服务器运行yolov5
m0_46086544的博客
04-21 1万+
在服务器配置yolov5
Auto-DL:Auto-DL 可帮助您制作深度学习模型，而无需编写一行代码并尽可能少地提供输入
07-23
发电机 Auto-DL 的接口部分分别包含基于 React 和 Django Rest Framework 的前后端服务器。 后端根据收到的请求调用 。 Generator 将 DLMML 作为子模块。 演示 设置 安装所有必要的库和二进制文件 sudo ./scripts/install.sh 按照在本地运行BackEndApp和FrontEndApp ，或者让它 RIP！ ./scripts/run.sh # or you can pass --install to perform both step 1 and 2 ./scripts/run.sh --install 怎么跑 # clone the repo git clone https://github.com/Auto-DL/Generator.git git submodule init git submodule
第三十一章 解读AutoDL云服务器训练yolov5模型(工具)
专注于人工智能学习，总结
12-05 912
（1）AutoDL有无卡模式开机，不运行程序的时候可以选择无卡模式，比如导入代码、导入预训练模型等。（因为在本地训练时，大家的batch和workers设置的可能都是1和0，在服务器上我们就可以加快速度了。当然，这一步不是必要的，大家按照自行需要修改噢~）大家可以根据自己的配置选择对应的版本。首先进入网站，注册账号并进行学生认证，认证成功有10块钱的代金券，领它！（因为每个人的文件目录是不同的，所以这一步只是记录我的，大家仅供参考~）接下来就是不停地点“我接受”，“下一步”，选择安装位置的过程。
AutoDL算力云进行yolov5训练流程
qq_52172364的博客
03-25 1632
第二步 切换目录到data 新建yaml文件 输入内容如下图类似 保证train和val即可。之后就可以立即创建了 ，我们的服务器就启动了，点击第一行JupyterLab。其中best.pt就是我们需要的 之后我们可以调用这个pt文件进行后续的操作。训练完成 找到runs文件夹 train文件夹 里面就有我们的训练结果，我们将yolov5 压缩成压缩包 可以拖到服务中去。yolov5的版本最好为7.0 其他的有点问题。将yolov5s.yaml的类别数改为自己的。导入我们的数据集datasets。
Pycharm连接云算力远程服务器（AutoDL）训练深度学习模型全过程
weixin_52010459的博客
01-28 2万+
我试图使用`笔记本联想小新air14的mx350显卡`训练一个图像检测的深度学习模型，但是训练时长大概需要几天时间远超我的预期，所以我便选择租用GPU进行训练，在对多家平台对比后找到了经济实惠的AutoDL，接下来是我租用GPU--配置环境--连接Pycharm--训练模型的全过程，基于本人也是刚入门的新手，如果有不恰当的地方还请大家指教。
配置使用云服务器训练神经网络模型——在阿里GPU服务器训练yolov5模型
热门推荐
知来者逆的博客
06-04 2万+
对于没有GPU训练机的人来讲，使用云服务器训练自己的模型应该最最优选择，只是在训练的时候开个按时计费的服务器，训练完成后保存环境镜像之后，可以完全停掉服务器，期间不产生任何费用，下次再训练时，启动环境就可以，很容易保护好自己的训练环境不受污染。详细记录如何配置与使用远程GPU服务训练深度神经网络模型，保姆级步骤。
使用云服务器训练自己的模型教程，可白嫖的深度学习服务器推荐
weixin_53895623的博客
06-28 2421
深度学习云服务器环境配置
autodl运行yolov5
m0_51347013的博客
03-27 444
tools->development->configuration->mappings 改root path到root/tmp/project/yolov5。
使用autodl进行模型训练
2302_79641988的博客
10-03 539
最近打江苏省人工智能算法精英大赛，在学长的建议下来到autodl租服务器进行模型训练（零帧起手（csdn上没有小表情耶）），以下记录整个过程的使用步骤。
autodl训练yolov11模型
02-20
### 使用 AutoDL 训练 YOLOv11 模型 当前可获得的信息主要集中在使用 AutoDL 平台来训练较早版本的 YOLO 系列模型，如 YOLOv5 和 YOLOv8[^1][^2]。然而对于 YOLOv11 的具体指导尚缺乏直接提及。 尽管如此，在假设存在 YOLOv11 版本的情况下，基于现有资料可以推测出一套通用流程用于在 AutoDL 上启动任何新版本 YOLO 模型（包括假定存在的 YOLOv11）的训练工作： #### 准备环境 为了准备适合于 YOLOv11 的开发环境，建议通过社区镜像快速搭建所需依赖项。这通常涉及选择一个预配置了 Python 及其科学计算库（比如 PyTorch 或 TensorFlow）、CUDA 工具包以及其他可能必要的软件组件的基础 Docker 镜像[^1]。 ```bash docker pull autodl-community/autodl-tf-pytorch:latest ``` #### 数据集上传与处理 利用 Xftp 将本地数据传输到远程服务器上的指定目录下；接着编写脚本来完成图像标注文件转换成目标检测框架所支持的标准格式的任务，例如 COCO JSON 或者 Pascal VOC XML 文件。 #### 编写并调试代码 借助 VS Code 进行项目管理和源码编辑。针对特定应用场景调整超参数设置，并实现自定义层或损失函数等功能扩展。确保整个程序能够在小规模测试集中正常收敛后再投入大规模正式训练阶段。 #### 提交作业至集群调度器 最后一步就是把精心编写的 Python 脚本打包提交给 Slurm/SWQ 等分布式任务管理工具执行。注意合理规划资源分配策略以提高效率降低成本开销。
评论 27
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

路人贾'ω'

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值