AutoDL使用经验

AutoDL使用手册

第一章 服务器训练Yolo v8

前言

很多时候自己的电脑性能不足以训练深度学习代码，但是购买一张显卡又太贵，所以我们可以选择性价比更高的租用显卡服务。那么问题来了，市面上这么多GPU服务租用服务该选哪一家比较好呢。AutoDL他们家将近一个月的使用下来感觉不错。

一、找到Yolo v8源代码

yolov8.2.0下载地址

二、服务器选型

1.登录autodl官网

autodl官网

2.进入算力市场服务器选型

比如这里我们可以选择4090型号。

然后根据自己的需要选择计费方式、GPU数量、是否需要扩容、pytorch环境。

三、服务器连接

首先启动服务器，如果你想训练代码那么点正常的开机就行就可以调用显卡了，服务器的计费方式就按原来配置的计费方式收取费用。否则建议只是为了传输数据的话建议使用无卡模式开机，在更多里面有，这样每次开机只需要花费0.1/小时。
服务器的连接可以使用网页自带的JupyterLab也可以使用vscode连接。

JupyterLab连接如下图

Vscode连接如下图

首先需要下载以下插件

然后新建远程

输入你的登录指令

Enter之后会让你输入密码

连接完成之后

新建窗口中连接，选择要打开的文件夹。


最后大概就是这样

然后在终端使用git命令把yolov8的代码clone下来。

git clone -b v8.2.0 https://github.com/ultralytics/ultralytics.git

四、数据集的上传

准备好yolo格式的数据集，具体的组织形式下图所示。

D:.
├─test
│  ├─images
│  └─labels
├─train
│  ├─images
│  └─labels
└─val
    ├─images
    └─labels

那么如何将数据集上传到服务器，我推荐使用公网网盘的方式，这也是服务器官方强推的一种方式。
公网网盘上传数据集
然后，记住自己上传到服务器的位置。

五、代码的训练

首先，需要安装需要的环境。
cd到下载的yolov8路径下，找到requirements.txt文件。在该文件的路径下使用以下命令安装依赖。

pip install -r requirements.txt 

在训练之前需要写一个关于dataset的yaml配置文件，具体的情况需要根据自身具体的数据集写配置文件。

path: /autodl-fs/data/hands #数据集根目录位置
train: /autodl-fs/data/hands/train/images #训练集位置
val: /autodl-fs/data/hands/val/images #验证集位置
test: /autodl-fs/data/hands/test/images #测试集位置
nc: 1 #检测类的数量
names:
  0: hand #类别的编号

编写python训练脚本

from ultralytics import YOLO

if __name__ == '__main__':
    model = YOLO('yolov8n.yaml') #选择yolov8预训练模型 n最小 x最大
    model.load('yolov8n.pt')

	#根据自身需要设置
    model.train(data="oxford_hand.yaml",epochs = 100,workers=16,batch=24,imgsz=640)