前言

对于没有GPU训练机的人来讲，使用云服务器训练自己的模型应该最最优选择，只是在训练的时候开个按时计费的服务器，训练完成后保存环境镜像之后，可以完全停掉服务器，期间不产生任何费用，下次再训练时，启动环境就可以，很容易保护好自己的训练环境不受污染。

一、选择服务器

1.这里选择的是阿里有服务器，直接用支付宝账号登录。
2.选择配置，按量计费，我训练yolov5的模型，2万多的数据集，V100完全够用了。

3.选择系统和安装GPU启动

3.选择网络速度（上行下行的速度），之后确认订单就可以了。

二、配置服务器

1.连接服务器，直接点远程连接。


2.切换到root并安装需要的文件。

sucd sudo apt-get install vim #vimsudo apt-get install unzip #解压sudo apt-get install zip #压缩sudo apt-get install screen #保护进程会话

三、配置环境（使用Anaconda3）

1.先把Anaconda3下载到自己本地目录，之后用scp上传到服务器

 scp data/Anaconda3-5.3.0-Linux-x86_64.sh root@39.xxx.xx.xxx:/home/data/ 

等待上传完成之后，在服务器上安装Anaconda3，一路确认到安装完成。

把Anaconda3加到环境变量

sudo vim ~/.bashrc

把bin路径加到文件末尾，之后保存文件退出。

 export PATH=$PATH:/root/anaconda3/bin

使用环境生效

source ~/.bashrc

2.创建环境

 conda create --name yolov5 python=3.7 conda activate yolov5

3.下载算法代码，可以直接从git上下载源码，也可以把自己改好的源码上传。
从git 上下载源码，yolov5s为例：

git下载

 git clone https://github.com/ultralytics/yolov5.git cd yolov5 pip install -r requirements.txt

本地上传与手动安装依赖

scp data/yolov5.zip root@39.xxx.xx.xxx:/home/data/

等上传完成之后，切到服务器

unzip yolov5.zipcd yolov5conda install pytorch torchvision cudatoolkit=10.2 -c pytorchpip install cython matplotlib tqdm opencv-python tensorboard scipy pillow onnx pyyaml pandas seaborn

四、数据处理

1.上传数据集到服务器

 scp data/dataset.zip root@39.xxx.xx.xxx:/home/data/yolov5 

2.上传完成之后，把数据分成训练集和测试集,这里面使用的coco数据格式，要转成yolov5的格式。

unzip dataset.zippython generate_txt.py --img_path data/XXXXX/JPEGImages --xml_path data/XXXXX/Annotations --out_path data/XXXXX

数据转换与生成 generate_txt.py源码

import osimport globimport argparseimport randomimport xml.etree.ElementTree as ETfrom PIL import Imagefrom tqdm import tqdmdef get_all_classes(xml_path):    xml_fns = glob.glob(os.path.join(xml_path, '*.xml'))    class_names = []    for xml_fn in xml_fns:        tree = ET.parse(xml_fn)        root = tree.getroot()        for obj in root.iter('object'):            cls = obj.find('name').text            class_names.append(cls)    return sorted(list(set(class_names)))def convert_annotation(img_path, xml_path, class_names, out_path):    output = []    im_fns = glob.glob(os.path.join(img_path, '*.jpg'))    for im_fn in tqdm(im_fns):        if os.path.getsize(im_fn) == 0:            continue        xml_fn = os.path.join(xml_path, os.path.splitext(os.path.basename(im_fn))[0] + '.xml')        if not os.path.exists(xml_fn):            continue        img = Image.open(im_fn)        height, width = img.height, img.width        tree = ET.parse(xml_fn)        root = tree.getroot()        anno = []        xml_height = int(root.find('size').find('height').text)        xml_width = int(root.find('size').find('width').text)        if height != xml_height or width != xml_width:            print((height, width), (xml_height, xml_width), im_fn)            continue        for obj in root.iter('object'):            cls = obj.find('name').text            cls_id = class_names.index(cls)            xmlbox = obj.find('bndbox')            xmin = int(xmlbox.find('xmin').text)            ymin = int(xmlbox.find('ymin').text)            xmax = int(xmlbox.find('xmax').text)            ymax = int(xmlbox.find('ymax').text)            cx = (xmax + xmin) / 2.0 / width            cy = (ymax + ymin) / 2.0 / height            bw = (xmax - xmin) * 1.0 / width            bh = (ymax - ymin) * 1.0 / height            anno.append('{} {} {} {} {}'.format(cls_id, cx, cy, bw, bh))        if len(anno) > 0:            output.append(im_fn)            with open(im_fn.replace('.jpg', '.txt'), 'w') as f:                f.write('/n'.join(anno))    random.shuffle(output)    train_num = int(len(output) * 0.9)    with open(os.path.join(out_path, 'train.txt'), 'w') as f:        f.write('/n'.join(output[:train_num]))    with open(os.path.join(out_path, 'val.txt'), 'w') as f:        f.write('/n'.join(output[train_num:]))def parse_args():    parser = argparse.ArgumentParser('generate annotation')    parser.add_argument('--img_path', type=str, help='input image directory')    parser.add_argument('--xml_path', type=str, help='input xml directory')    parser.add_argument('--out_path', type=str, help='output directory')    args = parser.parse_args()    return argsif __name__ == '__main__':    args = parse_args()    class_names = get_all_classes(args.xml_path)    print(class_names)    convert_annotation(args.img_path, args.xml_path, class_names, args.out_path)

五、训练模型

1.训练模型前，要先运行screen，以保证服务终端断线之后还能继续训练。

screen -S  yoloyolo 是一个标记，可以自己随便填，用来分辨该窗口的用途，避免窗口多了自己混淆

screen 常用命令

screen -ls #查看进程screen -r -d 1020  #后台运行的screen进程kill -9 1020 #杀死不需要的进程screen  -wipe #检查目前所有的screen作业，并删除已经无法使用的screen作业

2.重新激活环境

conda activate yolov5

3.训练模型

python train.py --cfg models/yolov5s.yaml --data data/ODID.yaml --hyp data/hyp.scratch.yaml --epochs 100 --multi-scale --device 0

六、Linux下常用的一些指令

1. scp

从服务器下载文件

  scp username@IP:/remote_path/filename ~/local_destination

上传本地文件到服务器

  scp ~/local_path/local_filename username@IP:/remote_path  

从服务器下载整个目录

   scp -r username@servername:/remote_path/remote_dir/ ~/local_destination

上传目录到服务器

	scp  -r ~/local_dir username@servername:/remote_path/remote_dir

2. vim配置
   系统级配置文件目录：/etc/vim/vimrc
   用户级配置文件目录：~/.vim/vimrc
   修改配置文件vimrc或者.vimrc

//显示行号

set nu

3. 压缩与解压
   zip命令
   zip -r file.zip ./*
   将当前目录下的所有文件和文件夹全部压缩成file.zip文件,－r表示递归压缩子目录下所有文件.

unzip命令
unzip -o -d /home/sunny file.zip
把file.zip文件解压到 /home/sunny/
-o:不提示的情况下覆盖文件；
-d:-d /home/sunny 指明将文件解压缩到/home/sunny目录下；

其他
zip -d file.zip smart.txt
删除压缩文件中smart.txt文件
zip -m file.zip ./rpm_info.txt
向压缩文件中file.zip中添加rpm_info.txt文件

4. 终端代理

export ALL_PROXY=socks5://127.0.0.1:4081 #端口号curl -L cip.cc #验证是否成功

5. 显卡驱动

nvidia-smi