【YOLO】AutoDL 训练模型

前言

本文适合已经了解YOLO相关基础知识的读者快速上手使用AUTODL服务器训练自己的YOLO模型

关联内容：
【YOLO V5】目标检测 WSL2 AutoDL VScode SSH
【YOLO】数据集标注 X-Anylabeling
参考资料：

整体思路

1. 租用 AutoDL 服务器并通过 SSH 连接
2. 上传本地 YOLOv5 工程文件到服务器
3. 安装 requirements.txt 依赖
4. 上传数据集
5. 修改 data.yaml 配置文件
6. 调整 train.py 训练脚本并训练

租用 AutoDL 服务器并通过 SSH 连接

创建的镜像的配置既要参考yolov5的requriment的说明，还要主要适配租用的GPU的cuda版本支持

复制登陆指令和密码并通过vscode ssh连接

上传本地 YOLOv5 工程文件到服务器

将本地的 yolov5_AutoDL.zip 文件复制到 AutoDL 服务器的根目录中

yolov5_AutoDL 是我预先修改好的 YOLO 工程，专门用于在 AutoDL 服务器上训练，主要改动包括：

• 添加 mydata.yaml 以适配数据集配置。
• 调整 requirements.txt，将 >= 替换为 =，确保依赖版本固定并注释掉 torch 和 torchvision，因为 AutoDL 服务器的 GPU 镜像已预装这些库。
• 修改 train.py 的默认参数
• 将预训练模型 yolov5s.pt 放入项目文件夹中

此外，你也可以通过 git clone 克隆项目，但需确保能够正常连接 GitHub。

解压 .zip 压缩包

使用一下指令解压压缩包

unzip yolov5_AutoDL.zip

安装 requirements.txt 依赖

进入工程文件夹并安装依赖：

cd yolov5_AutoDL
pip install -r requirements.txt

PS：建议将 requirements.txt 中所有的 >= 替换为 ==，以确保依赖版本的稳定性，避免因为版本不兼容导致的问题。

上传数据集

将数据集拖拽到工程文件夹下的 data 目录，确保包含 train、val、test 文件夹，每个文件夹内有 images 和 labels 子文件夹，且标签文件符合 YOLO 格式。

建议将本地数据集压缩为 .zip 文件，并上传后使用 unzip 指令进行解压

修改 mydata.yaml 文件

修改 mydata.yaml 文件中的路径以及 数据类别的数量和名称

请注意，类别名称必须与数据集制作时导出的索引一致，确保顺序正确！

调整 train.py 训练脚本并训练

1. 修改 train.py 中的 weights、cfg、data 和 device 参数，确保权重文件和配置文件的路径、数据集的 YAML 文件路径以及训练设备设置都正确。
2. 使用以下指令开始训练：

python train.py --epochs 300 --batch-size 64

注意：
训练时的批次大小（batch size）需要根据 GPU 显存进行调整。一般来说，3090 和 4090 显卡的显存为 24GB。实测情况下，使用批次大小为 64 时，简单图片占用显存约 13GB，批次大小为 96 时占用显存约 19GB。根据显存选择合适的批次大小，可以加速训练并避免显存溢出。

保存训练结果

训练完成后，将训练得到的模型权重 best.pt 从 runs/train/exp/weights 目录中保存到本地即可。

常见错误

训练时 Arial.ttf 下载超时 Downloading https://ultralytics.com/assets/Arial.ttf to /home/zelan/.conf

该问题建议参考：
【解决方案】yolov5环境配置报错 Downloading https://github/Arial.Unicode.ttf to /root/.config/Ultralytics/Arial

1. 本地下载Arial.ttf 字体文件
2. 将 Arial.ttf 文件手动上传到服务器的 /root/.config/Ultralytics 目录下即可