使用Aistido是因为我本地使用paddledetection训练时出现一些报错，我以为是我本地环境配置的问题，所以换到百度的云开发平台上来训练，说实话初步上手看他们给的文档我也没看懂，现在还属于在摸索阶段，但是也能进行一些简单的训练了

安装与配置 Miniconda

安装 Miniconda 

下载Miniconda安装包

wget -c https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/Miniconda3-latest-Linux-x86_64.sh

运行安装脚本

bash Miniconda3-latest-Linux-x86_64.sh

安装过程中按提示操作，基本都是默认的，可以直接回车（Enter）确认。

激活 Conda 环境，每次打开Aistido都需要输入一次这个命令（我也不知道为什么，他没办法长时间保持conda环境，每次进来的时候都需要重新进一次conda环境）

source ~/miniconda3/bin/activate

每次激活环境都需重新执行此命令激活conda环境。

环境与数据管理

创建conda环境

创建conda环境，然后在环境中配置需要的一些库，并安装paddlepaddle框架

conda create -n <你的环境名> python=<你需要的python版本>
# 例如 conda create -n Gls python=3.12


conda activate <你的环境名>  #进入你的环境
# 例如 conda activate GLs

安装训练需要的框架和一些包

切换 GPU 模式后验证显卡（如果要切换使用环境，退出开发界面，来到项目详情页，在这里点击退出后切换），每天都会送8个点，用2点每小时的GPU版本可以使用4个消失，大部分情况下都够用了

nvcc -V  #v是大写，小写要报错
# 会输出环境中的CUDA和CUDNN版本，根据环境中CUDA版本去选择paddlepaddle版本去安装到环境中

根据输出结果安装对应版本的 PaddlePaddle，然后我这里输出是12.6版本，进入paddlepaddle官网飞桨PaddlePaddle-源于产业实践的开源深度学习平台，然后选择自己对应配置的框架，复制安装命令后，进入自己对应的环境后进行安装

再安装通过PaddleDetection训练时需要用到的opencv和sklearn

pip install opencv-python
pip install scikit-learn

下载PaddleDetection源码

从git仓库调PaddleDetection-2.8.1，如果你需要其他版本，修改命令就好

git clone -b release/2.8.1 https://gitee.com/paddlepaddle/PaddleDetection.git /home/aistudio/PaddleDetection

验证你的版本，进入PaddleDetection目录，后输入查询版本命令，查看输出是不是你需要的版本，如果不是就删除当前PaddleDetection，然后重新调取

cd /home/aistudio/PaddleDetection 
# 进入指定目录

git branch
#查看版本

处理数据目录权限问题

若 /data 目录为只读，可将数据复制到可写目录（如 /work），再分割为 train.txt 和 val.txt。（我看官网上面说主目录下的data目录是可更改的，我也不知道为什么我这个是只读模式，然后就复制里面的全部数据，转出来，然后再分train.txt和val.txt）

训练模型

修改配置文件后启动训练

export CUDA_VISIBLE_DEVICES=0 # 因为他是Linux环境，需要指定GPU
python PaddleDetection/tools/train.py -c configs/yolov3/yolov3_mobilenet_v1_roadsign.yml

如果不会使用PaddleDetection训练的一些命令，可以去看PaddleDetection上README_cn.md里的一些简单教程（如果看不懂可以留言，我可以再写一篇PaddleDetection训练教程）

监控显存占用

当你出现显存爆炸的时候，先nvidia-smi看看哪个进程太大了，就杀死进程，再通过实时查看nvidia显存，确定是哪里有问题

watch -n 1 nvidia-smi
# 实时查看显存

若显存不足，需在配置文件中调低 batch_size。

持久化安装

这里有个东西叫持久化，因为你每次退出环境，只有work目录的东西会保留，所以需要持久化让其他的也保留，这个是官方已经写好了的，直接按照顺序运行就好

清理磁盘空间

因为持久化后，所有的东西都会保留，所以需要及时清理不必要的文件，避免加载过慢，或者内存爆炸，导致无法保存模型然后导致训练中断。

清理 Conda 缓存，清除conda环境 Conda 安装过程中产生的所有无用缓存文件

conda clean --all -y

删除指定目录内容（比如已经不需要的输出的权重）

rm -rf /home/test/*

保留目录本身仅删除内容。若需保留子目录仅删文件：

rm -f /目标文件夹路径/*

注意事项

• 持久化需求：非 /work 目录的数据需手动保存，避免环境重置后丢失。
• 显存优化：训练时出现显存爆炸优先调整 batch_size，而非依赖清理操作。

顺嘴一提，kimmi现在那个agent真的还行，设计的封面还挺好看你别说