同志們大家好，今天出一期在windows、linux & ubantu系統(tǒng)中部署yolo or rtdetr項目的流程，供小白快速入門！（聲明：以下流程均在藍耘GPU平臺和魔鬼面具的rtdetr項目下進行，其他項目如yolo系列均可使用該方法）

一、準備工作

在此之前需要提前下載以下工具

1.顯卡資源（自用電腦 或 服務器平臺

2.Pycharm專業(yè)版，Vscode，或GPU平臺的Jupyter界面（以下教程在Pycharm專業(yè)版中展示）

3.XFTP文件傳輸助手（個人習慣，可使用其他文件傳輸軟件，較為方便）

相關(guān)鏈接附文章末尾

二、pycharm連接遠程服務器方法

以下流程均在b站有對應視頻
0.首先需要先找到遠程服務器的ssh鏈接及密碼，例如 

ssh -p 20733 root@link.lanyun.net
rppfoklk5zmp22su

1.打開pycharm專業(yè)版，依次點擊工具---部署--配置

2.添加新配置，按以下圖片流程添加ssh信息，測試連接（不懂請看b站視頻）

3.打開遠程主機Remote Host（遠程服務器目錄）

4.打開遠程終端

三、項目環(huán)境配置---RTDETR 和YOLO環(huán)境相同

1.本地需要提前準備好Conda環(huán)境以便安裝虛擬環(huán)境及torch及后續(xù)操作

conda create -n yolo python=3.8 #創(chuàng)建虛擬環(huán)境（云GPU若有對應環(huán)境可不用創(chuàng)建）
conda init（可選）
conda activate（可選）
conda activate yolo  #進入虛擬環(huán)境
#yolo可替換其他名字

2.云GPU服務器直接選定以下torch和cuda版本直接部署，或創(chuàng)建虛擬環(huán)境后按裝下方相關(guān)包。

以下代碼裝好虛擬環(huán)境后可直接全部復制進去，或者一條一條復制，一般不會出現(xiàn)報錯情況。
（若網(wǎng)絡(luò)下載過慢，可嘗試切換其他鏡像源）

pip install torch==1.13.1+cu117 torchvision==0.14.1+cu117 torchaudio==0.13.1 --extra-index-url https://download.pytorch.org/whl/cu117  -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install timm==0.9.8 thop efficientnet_pytorch==0.7.1 einops grad-cam==1.4.8 dill==0.3.6 albumentations==1.3.1 pytorch_wavelets==1.3.0 tidecv    -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install -U openmim -i https://pypi.tuna.tsinghua.edu.cn/simple
        mim install mmengine  -i https://pypi.tuna.tsinghua.edu.cn/simple
        mim install "mmcv>=2.1.0"  -i https://pypi.tuna.tsinghua.edu.cn/simple
apt-get update 
apt install libgl1-mesa-glx 
pip install psutil -i https://pypi.tuna.tsinghua.edu.cn/simple

3.裝好環(huán)境的同時將魔導的項目文件上傳進去，可以用XFTP上傳或直接上傳

首先使用XFTP連接遠程服務器

四、訓練教程---RTDETR 和YOLO相同

1.終端下解壓項目文件
①unzip RTDETR-20241020.zip （解壓指令）

②cd RTDETR-main/  （cd到文件目錄下）

③修改數(shù)據(jù)集路徑（使用項目默認數(shù)據(jù)集測試，修改后上傳保存）

④運行python train.py 指令提示報錯，原因是因為路徑錯誤，datasets出現(xiàn)了兩次

⑤vim /root/.config/Ultralytics/settings.yaml  (---vim到上方報錯路徑)
按鍵盤上的“i”鍵進入改寫模式，刪除路徑后方的datasets，改成以下路徑后按ESC退出改寫模式后，按Shift+Z+Z保存代碼退出

⑥再次運行python train.py 指令后成功運行，或者可能會出現(xiàn)字體下載卡頓
如出現(xiàn)以下卡頓情況，請點擊下載鏈接在本地下載后上傳到和train.py同級目錄，然后在終端使用以下指令：即可解決該問題，

mv Arial.ttf /root/.config/Ultralytics/Arial.ttf

最后成功運行代碼

后續(xù)更換數(shù)據(jù)集的話，則按照以上格式，自行根據(jù)實際情況更改數(shù)據(jù)集即可

五、訓練過程中的一些小技巧

1.使用nohup指令進行后臺訓練，防止因斷網(wǎng)導致的中斷等情況
①使用python train.py指令的話 你電腦網(wǎng)絡(luò)環(huán)境發(fā)生變化時（則你的訓練后中斷，比如開關(guān)vpn，電腦息屏，網(wǎng)絡(luò)不穩(wěn)定）
②使用nohup python train-s.py > log.log 2>&1   指令的話，你跑通后電腦不管是關(guān)機還是啥，他代碼都會在服務器后臺跑，和自己電腦沒關(guān)系）

nohup python train.py > log.log 2>&1         
nohup python train-1.py > log1.log 2>&1
nohup python train-2.py > log2.log 2>&1
nohup python train-3.py > log3.log 2>&1
#----服務器訓練代碼請使用nohup指令在后臺跑，
然后目錄下會出現(xiàn)log.log的日志文件，存放你的所有打印的信息
以上默認為0卡跑，若存在多卡，請在指令前加 CUDA_VISIBLE_DEVICES=1  
例如 
CUDA_VISIBLE_DEVICES=1  nohup python train-s.py > log.log 2>&1
......

2.查看是否跑完 nvidia-smi，//查看顯存變化，如果跑一個實驗占了8個G顯存，然后顯存變成0的時候就說明跑完了

3.查看跑到哪一輪了，精度是多少 查看runs/train/exp文件里面的result.csv，主要查看map50 和map50-95 的漲點情況

4.查看代碼是否報錯，打開日志log.log查看代碼報錯情況

5.運行一次代碼，會出現(xiàn)一個進程號，若代碼開始跑了，想提前中斷的話，請使用ps aux 指令查看PID進程號了，并且使用kill -9 進程號 中斷該進程并釋放顯存
一些常用終端指令
①rm -rf datasets/     ----刪除datasets文件夾
②unzip dataset.zip  ----解壓dataset文件夾--xftp最好傳輸壓縮包格式文件，這樣快
③復制文件請在xftp中ctrl cv復制粘貼

附上相關(guān)鏈接
①文章中項目代碼請查看：GitHub - z1069614715/objectdetection_script: 一些關(guān)于目標檢測的腳本的改進思路代碼，詳細請看readme.md

1.顯卡資源（自用電腦 或 服務器平臺)https://cloud.lanyun.net/#/activity?uuid=efa15431a91abaaf0bdeb212fffe685a

2.Pycharm專業(yè)版，Vscode，或GPU平臺的Jupyter界面（以下教程在Pycharm專業(yè)版中展示）

3.XFTP文件傳輸助手（個人習慣，可使用其他文件傳輸軟件，較為方便）

家庭/學校免費 - NetSarang Website

如有其他問題請在評論區(qū)指出，覺得有用的可以點贊評論，我們下期再見！

到此這篇關(guān)于服務器or本地項目部署全流程及常見問題的文章就介紹到這了,更多相關(guān)服務器本地項目部署內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評論