服务器or本地项目部署全流程及常见问题记录

2024-11-12 11:39:11 作者：E导带你发论文

本文详细介绍了在Windows、Linux和Ubuntu系统中部署YOLOv5项目的过程,包括准备工作、PyCharm连接远程服务器、项目环境配置、训练教程以及训练过程中的小技巧

同志们大家好，今天出一期在windows、linux & ubantu系统中部署yolo or rtdetr项目的流程，供小白快速入门！（声明：以下流程均在蓝耘GPU平台和魔鬼面具的rtdetr项目下进行，其他项目如yolo系列均可使用该方法）

一、准备工作

在此之前需要提前下载以下工具

1.显卡资源（自用电脑或服务器平台

2.Pycharm专业版，Vscode，或GPU平台的Jupyter界面（以下教程在Pycharm专业版中展示）

3.XFTP文件传输助手（个人习惯，可使用其他文件传输软件，较为方便）

相关链接附文章末尾

二、pycharm连接远程服务器方法

以下流程均在b站有对应视频
0.首先需要先找到远程服务器的ssh链接及密码，例如

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

1.打开pycharm专业版，依次点击工具---部署--配置

2.添加新配置，按以下图片流程添加ssh信息，测试连接（不懂请看b站视频）

3.打开远程主机Remote Host（远程服务器目录）

4.打开远程终端

三、项目环境配置---RTDETR 和YOLO环境相同

1.本地需要提前准备好Conda环境以便安装虚拟环境及torch及后续操作

conda create -n yolo python=3.8 #创建虚拟环境（云GPU若有对应环境可不用创建）
conda init（可选）
conda activate（可选）
conda activate yolo  #进入虚拟环境
#yolo可替换其他名字

2.云GPU服务器直接选定以下torch和cuda版本直接部署，或创建虚拟环境后按装下方相关包。

以下代码装好虚拟环境后可直接全部复制进去，或者一条一条复制，一般不会出现报错情况。
（若网络下载过慢，可尝试切换其他镜像源）

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.装好环境的同时将魔导的项目文件上传进去，可以用XFTP上传或直接上传

首先使用XFTP连接远程服务器

四、训练教程---RTDETR 和YOLO相同

1.终端下解压项目文件
①unzip RTDETR-20241020.zip （解压指令）

②cd RTDETR-main/ （cd到文件目录下）

③修改数据集路径（使用项目默认数据集测试，修改后上传保存）

④运行python train.py 指令提示报错，原因是因为路径错误，datasets出现了两次

⑤vim /root/.config/Ultralytics/settings.yaml (---vim到上方报错路径)
按键盘上的“i”键进入改写模式，删除路径后方的datasets，改成以下路径后按ESC退出改写模式后，按Shift+Z+Z保存代码退出

⑥再次运行python train.py 指令后成功运行，或者可能会出现字体下载卡顿
如出现以下卡顿情况，请点击下载链接在本地下载后上传到和train.py同级目录，然后在终端使用以下指令：即可解决该问题，

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

最后成功运行代码

后续更换数据集的话，则按照以上格式，自行根据实际情况更改数据集即可

五、训练过程中的一些小技巧

1.使用nohup指令进行后台训练，防止因断网导致的中断等情况
①使用python train.py指令的话你电脑网络环境发生变化时（则你的训练后中断，比如开关vpn，电脑息屏，网络不稳定）
②使用nohup python train-s.py > log.log 2>&1 指令的话，你跑通后电脑不管是关机还是啥，他代码都会在服务器后台跑，和自己电脑没关系）

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
#----服务器训练代码请使用nohup指令在后台跑，
然后目录下会出现log.log的日志文件，存放你的所有打印的信息
以上默认为0卡跑，若存在多卡，请在指令前加 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，//查看显存变化，如果跑一个实验占了8个G显存，然后显存变成0的时候就说明跑完了

3.查看跑到哪一轮了，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 的涨点情况

4.查看代码是否报错，打开日志log.log查看代码报错情况

5.运行一次代码，会出现一个进程号，若代码开始跑了，想提前中断的话，请使用ps aux 指令查看PID进程号了，并且使用kill -9 进程号 中断该进程并释放显存
一些常用终端指令
①rm -rf datasets/ ----删除datasets文件夹
②unzip dataset.zip ----解压dataset文件夹--xftp最好传输压缩包格式文件，这样快
③复制文件请在xftp中ctrl cv复制粘贴

1.显卡资源（自用电脑或服务器平台)https://cloud.lanyun.net/#/activity?uuid=efa15431a91abaaf0bdeb212fffe685a