1.GPU平台

这块我用的是AutoDL.
这里我打算租用3090来训练数据集。

第一次选择基础镜像即可，这里我选择得是pytorch2.0.0，cuda11.8

创建并开机即可。

2.云环境安装

2.1 无卡模式开机（省钱，有钱可以略过）

开机之后先关机，然后咱们通过无卡模式先把环境调好，把数据集上传好（要是有钱不在意可以直接忽略）。

2.2 上传数据集

这里我使用的是FileZila上传的数据集。FileZila使用教程，不过我看这里下载地址无法访问，这里可以自己到官网下载。
还是说一下吧。
（1）左上角[文件]=>[站点管理器]=>[新站点]
（2）协议选择SFTP，复制autodl上的登录指令到txt文档中查看，例如ssh -p xxx root@xxxx.com。其中这里就有相关端点和主机地址，用户root，密码也从autodl控制台上复制。连接，然后点击总是信任该主机（要不然每次连接都会提示一次）。

（3）我们操作的文件夹目录主要是/root/autodl-tmp这个目录。
下面新建一个datasets文件夹。然后将我们的数据集文件夹拖拽上传即可。
这里yolo训练我只上传了train和val文件夹。

2.3 配置训练环境

复制ssh指令到cmd登录即可。
这块比较简单啊。这里我是yolov11，就直接

pip install ultralytics=8.3.169

然后说下这个安装的相关代码在哪呢？在这
/root/miniconda3/lib/python3.8/site-packages/ultralytics
今后我们要改网络结构改这里的文件即可。

3.准备开始训练

3.1 基本文件目录

我这里创建了这样的目录，其实可以随意，我想好好分类一点。
yolov11 （yolo版本）
train（训练文件夹）
tt100k2021_new（数据集）
origin（原始：啥也没改的）

3.2 数据集配置文件目录

我放置在在这个目录了：/root/autodl-tmp/datasets/cfg
配置数据集配置文件，例如下：
配置path根目录，train训练图像文件夹，val验证图像文件夹，test测试图像文件夹，names类别。

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: /root/autodl-tmp/datasets # dataset root dir
train: tt100k_2021_new/train/images # train images (relative to 'path') 6961 images
val: tt100k_2021_new/val/images # val images (relative to 'path') 1907 images
test: tt100k_2021_new/val/images

# Classes
names: ['pn', 'pne', 'i5', 'p11', 'pl40', 'pl50', 'pl80', 'p26', 'pl60', 'i4', 'pl100', 'pl30', 'pl5',
                       'il60', 'i2', 'i2r', 'p5', 'w57', 'p13', 'p10', 'ip', 'i4l', 'pl120', 'il80', 'p23', 'w59',
                       'pr40', 'p12', 'ph4.5', 'w55', 'p3', 'pl20', 'pg', 'pm20', 'pl70', 'pm55', 'p27', 'il100', 'w13',
                       'p19', 'w32', 'ph4', 'ph5', 'p6', 'pm30']

3.3 编写训练文件

网络结构配置yaml文件的路径，ultralytics/cfg/models/version，例如
ultralytics/cfg/models/11。说一点这个yaml中有个nc参数，是80，这个可以改也可以不改，因为后面会按数据集yaml也就是3.2那个yaml来进行覆盖，为了统一还是改下，这里不改第一次打印网络结构的时候打印是80。也复制到对应训练文件夹下/root/autodl-tmp/yolov11/train/tt100k2021_new/origin。

接下来编写配置文件
说明下：
epochs：训练200轮
data：数据集配置文件
batch：训练批次
imgsz：图像输入尺寸
workers：数据加载采用的工作线程，默认是8，这个可以根据实际自己进行调整。
project：结果存放地址父级文件夹，默认是run/detect
name：结果存放地址子级文件夹，默认是train，重复则在后面+数字，例如train2、train3等等。
exist_ok：True：开启结果覆盖

optimizer：“SGD"优化器，默认是“auto”
fliplr:图像左右翻转概率，由于我这左右翻转标签类别都变了，所以把这个禁止。
更多参数可参考：https://docs.ultralytics.com/modes/train/#train-settings

如下：

from ultralytics import YOLO

if __name__ == '__main__':
    model = YOLO("yolo11n.yaml")  # pass any model type
    results = model.train(epochs=200,
                          data="/root/autodl-tmp/datasets/cfg/tt100k_2021_new.yaml",
                          batch=48,
                          imgsz=1024,
                          workers=16,
                          project="../results/yolo11-tt100k_2021_new",
                          name="origin",
                          exist_ok=True,
                          optimizer="SGD",
                          fliplr=0.0)

无卡模式下可以直接开始验证训练了，但是肯定会报torch.cuda.OutOfMemoryError，报其他错误可以先自己解决
出现OutOfMemoryError就可以准备开始正式环境训练了。

顺嘴提一下，训练的时候不要直接python train.py。使用下面命令保存训练输出到指定日志文件。

nohup python train.py > output.log 2>&1 &

• 其中nohup表示退出终端依然执行
• > output.log 终端正常输出到output.log文件中，而不是显示在终端上。
• 2>&1：错误输出也写入到output.log文件
• 最后的&：将程序放到后台运行，此时终端可以继续输入其他命令，不会被当前程序占用。

然后我们想要查看日志怎么查看呢？用下面命令即可

tail -f output.log

4.镜像环境保存（autodl）

相当于yolo环境，就是你pip install了哪些东西。
这个系统盘我理解就是/root/autodl-tmp（数据盘）之外的。

5.如何快速迁移新实例（autodl）

数据上传完毕，或者测试完毕了，发现刚才的实例被别人占用了，怎么办？？？

5.1 系统盘迁移

组建新实例的时候镜像选择我们自己创建的镜像，系统盘就完成迁移了。

5.2 数据盘迁移

（1）同地区实例

（2）跨地区实例
在源实例下操作。
其中要拷贝的文件夹目录一般都是“/root/autodl-tmp”这个目录。
“ssh -p 35394 root@region-1.autodl.com”为登录目标实例的指令。

cd <要拷贝的文件夹目录下> 

tar cf - * | ssh -p 35394 root@region-1.autodl.com "cd /root/autodl-tmp && tar xf -"

参考SCP远程拷贝