做图像识别尤其是跑YOLO系列模型最让人头疼的时刻往往不是模型原理没搞懂而是本地电脑的显卡先撑不住了。我最早是在自己的台式机上跑的一张中端卡训个小型数据集勉强能动但一上大batch或者稍微复杂的模型显存直接拉满风扇响得跟起飞一样。后来我开始接触云服务器跑YOLO才发现这条路省心太多——不用纠结硬件采购不用担心训练到一半停电想用高配卡就开一台用完直接释放。不过云服务器也带来两个新门槛一是环境怎么搭二是数据怎么传。这篇文章就围绕这个场景把我自己一直在用的完整流程写清楚——从零开始在云端搭建YOLO图像识别环境到把本地数据传上去、跑推理和训练、再把结果拿回来的全链路操作。整个过程基于一台英伟达GPU云主机我用的平台代号为funhpc下文统一用“云主机”泛指这一类GPU计算实例系统为Ubuntu默认用户具备sudo权限。无论你是刚接触云服务器的新手还是已经在本地跑过YOLO想迁到云上这都算是一份可以直接照做的实操清单。1. 整体思路与关键决策1.1 为什么选择云服务器跑YOLO很多开发者第一次动“租GPU”的念头是因为本地环境到了某个极限。以我自己的经历为例本地显卡显存只有8GB用YOLOv8s训练一张512×512的图batch size调到16就报OOM了更别提想做交叉验证、调参、加入更多数据增强。云主机解决的是“算力弹性”的问题你需要大显存就选一张24GB甚至更高显存的卡你需要并发跑多个实验甚至可以开几台实例同时跑各训各的模型。成本上看很多人以为云GPU一定很贵但如果按需计费、短时间用比如只跑几小时的推理验证费用通常比想象中低。而且省下的时间、省下的本地硬件更新成本才是真正划算的地方。还有一点容易被忽略云服务器有固定的公网IP和稳定的带宽你可以在任何地方SSH连上去跑实验不需要背着工作站到处跑。1.2 方案选型GPU型号与镜像环境选GPU实例的时候核心参考指标是显存大小和算力型号。不同的YOLO任务对显存要求完全不同只做单张图片的推理测试4GB显存就足够训练YOLO小模型、轻量数据集8GB起步比较稳训练YOLO中大型模型或高分辨率图像16GB以上才舒服同时跑多个实验或者用大batch追求收敛速度24GB甚至更高显存更有底气。选实例时还要看平台是否提供“预装深度学习镜像”。有些云平台会提供带CUDA、cuDNN、PyTorch的镜像有些则是裸系统。如果你是新手我建议优先选预装环境省掉不少事但如果你喜欢掌控每一步配置裸系统也没问题后面我会把手动配置的关键步骤写清楚。环境层面还有一个容易踩坑的点镜像里的CUDA版本和你要装的PyTorch版本必须匹配。不要盲目装最新版。检查驱动支持的CUDA版本最直接的方式是登录后执行nvidia-smi看右上角的CUDA Version那代表驱动能支持的最高版本然后据此选择对应版本的PyTorch安装命令。2. 环境准备与远程连接2.1 获取实例信息并完成SSH登录创建实例之后平台一般会给你几个关键信息公网IP、登录用户名Ubuntu系统通常是ubuntu、初始密码或密钥对。我推荐立即设置密钥登录ssh-keygen -t rsa -b 4096 -f ~/.ssh/id_rsa_cloud然后把公钥内容追加到云主机的~/.ssh/authorized_keys里。如果是第一次登录用密码可以这样手动导入ssh-copy-id -i ~/.ssh/id_rsa_cloud.pub ubuntu你的公网IP之后日常登录ssh -i ~/.ssh/id_rsa_cloud ubuntu你的公网IP首次登录大概率会提示确认主机指纹输入yes就行。连接后第一件事我建议先确认系统版本和硬件状态df -h free -h nvidia-smi这三条命令分别看磁盘、内存和GPU是否就绪。很多人上来就直接clone仓库装依赖结果跑起来发现磁盘写满了或者GPU没被系统识别到白折腾一大圈。2.2 驱动与CUDA的验证逻辑如果平台给的是带GPU驱动的镜像nvidia-smi能正常显示显卡信息那驱动这步就过了。如果显示command not found说明驱动没装好需要重新安装驱动。这里有一个常见误区装驱动不等于装CUDA工具包——驱动是让系统认出GPUCUDA工具包是给PyTorch这类框架提供底层加速接口的。它们之间存在一个兼容关系也就是刚才提到的驱动所能支持的最高CUDA版本决定了你PyTorch版本的上限。我遇到过一台实例nvidia-smi显示支持CUDA 12.4但装PyTorch时默认装的是CUDA 12.1的版本这没问题12.1是兼容的。反过来如果驱动只支持到CUDA 11.8而你硬装了CUDA 12.x版本的PyTorch跑起来必然报错。所以不管你用什么方式装深度学习框架第一件事永远是先看nvidia-smi输出版本。2.3 创建Python虚拟环境不管系统预装了什么Python版本我都强烈建议用conda创建一个独立的虚拟环境避免把系统环境搞坏。安装Miniconda是比较轻量的选择wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh bash Miniconda3-latest-Linux-x86_64.sh安装过程中一路yes结束后重新登录让环境变量生效。然后创建YOLO专用环境conda create -n yolo python3.10 -y conda activate yoloPython版本用3.10是目前兼容性很好的选择YOLOv8官方以及绝大多数深度学习依赖都支持。把环境单独隔离开还有一个好处之后想装其他项目不冲突删掉环境重来也非常干净。注意如果conda创建环境时下载太慢可以先配置国内镜像源后面专门用一节来说这个问题。3. YOLO项目部署与依赖安装3.1 拉取源码与项目结构部署YOLO图像识别项目最简单的路径是直接用官方仓库。以YOLOv8为例YOLOv5、v9、v11的分支做法类似git clone https://github.com/ultralytics/ultralytics.git cd ultralytics这样拿到的源码目录里含有ultralytics这个Python包、cfg配置目录、scripts脚本目录等。官方仓库的好处是版本同步最新文档和例子都在同一个仓库里遇到参数不清楚可以直接翻源码。还有一条更简单的路直接pip install ultralytics这样连源码都不用clone。但它会把相关内容作为安装包塞进site-packages里对想改源码细节的开发者反而没那么友好。我自己的习惯是clone源码然后以可编辑模式安装pip install -e .这样改源码后不需要重新安装改动即时生效。对调试和二次开发来说极其方便。3.2 依赖安装与PyTorch验证直接用requirements.txt装依赖之前先把PyTorch安装好。这是很多新手容易搞反的地方——先pip install一堆包最后装PyTorch时又变了环境。正确顺序是先装PyTorch再装其余依赖。PyTorch的安装命令去官网或者官方镜像站找对应CUDA版本的命令。大致的安装形式是pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121安装完成后进入Python环境确认GPU可用python -c import torch; print(torch.__version__); print(torch.cuda.is_available()); print(torch.cuda.get_device_name(0))如果输出True和显卡型号说明PyTorch已经能正常调用GPU。这一步是整个环境搭建的“验收点”很多人后面的报错其实在前面就埋下了。然后安装其他依赖pip install -r requirements.txt如果你用的是pip install ultralytics的路线直接pip install ultralytics也会把opencv、numpy、pandas这些一并带上。但用源码安装时记得requirements.txt里内容也是必要的。另外opencv-python和opencv-headless不要同时装否则运行时会出现奇怪的GUI报错。3.3 最简单的起步验证环境就绪后我建议跑一次官方自带的推理demo既验证环境又熟悉命令。下载一个测试图片yolo predict modelyolov8n.pt sourcehttps://ultralytics.com/images/bus.jpg或者如果你想看完整源码调用方式可以写一个Python脚本from ultralytics import YOLO model YOLO(yolov8n.pt) results model.predict(sourcebus.jpg, saveTrue, projectruns/detect)第一次运行会自动下载模型权重文件如果下载慢或者失败可以手动从官方release页面找权重下载链接放到当前目录后重新执行。识别完成后结果会存放在runs/detect/目录下带识别框的图片就是输出。跑通这一步YOLO项目在云端的基础部署就算完成了。4. 文件传输从本地到云主机4.1 scp命令最直接的上传下载文件传输是整个云上开发体验里最容易劝退新手的一环。我自己用得最多的是scp因为它随SSH附带无需额外安装命令直观。上传单个文件scp -i ~/.ssh/id_rsa_cloud ./data.jpg ubuntu你的公网IP:/home/ubuntu/上传整个目录scp -i ~/.ssh/id_rsa_cloud -r ./dataset ubuntu你的公网IP:/home/ubuntu/下载文件scp -i ~/.ssh/id_rsa_cloud ubuntu你的公网IP:/home/ubuntu/runs/detect/exp/bus.jpg ./scp的优点是简单缺点是它默认全量拷贝——如果同一目录传了两次重复的文件会再次传输。对于小文件、零星操作用它最方便但传输大数据集就有点低效了。4.2 rsync断点续传与增量同步训练用的数据集动辄几个GB甚至几十GB用scp传大文件一旦网络抖动就得从头再来。这时候rsync才是真正的主力工具。它的威力在于增量同步和断点续传rsync -avzP --progress -e ssh -i ~/.ssh/id_rsa_cloud ./dataset ubuntu你的公网IP:/home/ubuntu/参数含义-a归档模式保留文件属性、递归传输-v显示详细信息-z传输时压缩节省带宽-P等同于--partial --progress支持断点续传并显示进度-e指定SSH命令方便带密钥登录。用rsync另一个实际体验是你改了数据集中几个文件想重新上传它会自动跳过没变化的文件只传更新的部分。这种能力在反复调数据集时太实用了。比如我在标注阶段经常只改几个标签文件重新同步几秒钟就完成了不用重新传整个包。提示本地和远端都装好rsync即可Linux和macOS自带Windows可以在WSL中使用或者安装对应版本的rsync工具。4.3 SFTP图形化与批量操作有些人用不惯命令行或者需要像操作本地文件夹一样拖拽上传下载那么SFTP客户端更合适。第三方SFTP工具很多比如WinSCP、FileZilla、Xshell自带的XFTP等。连接参数和SSH一致主机填公网IP用户名填登录用户端口22认证方式选择密钥或者密码。连上后左边是本地文件右边是云端目录直接拖拽即可。SFTP配合批量任务比scp友好比如你有一个图片文件夹几百张图用SFTP工具整体拖进去就行。而且大部分SFTP工具都支持断点续传大文件传一半能接着传。缺点是命令行操作方便自动化而图形化工具更适合交互式作业。我的习惯是小文件和需要自动化脚本的场景用rsync临时拖拽、人肉整理文件时用SFTP客户端。4.4 压缩打包与对象存储中转如果本地有大量小文件比如一个训练集里几千张几百KB的图片直接rsync或者scp传输会有额外开销。我建议先在本地打包压缩再传tar -czvf dataset.tar.gz dataset/ rsync -avzP -e ssh -i ~/.ssh/id_rsa_cloud ./dataset.tar.gz ubuntu你的公网IP:/home/ubuntu/到了云端再解压tar -xzvf dataset.tar.gz打包上传的好处不只是减少文件数量还能压缩损耗尤其是对图片这类内容压缩率相当可观。如果是超大文件或者你需要在多人、多台机器之间共享数据可以借助对象存储。很多云平台提供对象存储服务本地先把数据传到对象存储桶再由云主机从桶里拉取。这种方式走的是内网或专线往往比直接经SSH跨公网传输更快更稳定。对单人单机场景这一步不是必须的但团队协作或者数据量上百GB时它能省大量时间。4.5 不同传输场景的选择建议我把几种常见场景的推荐传输方式整理成了一张表方便参考场景推荐方式原因上传一张测试图片scp命令简单无需任何额外工具第一次上传整个数据集tar打包 rsync减少小文件数量支持断点续传反复修改少量文件后同步rsync增量同步只传变化部分图形化拖拽管理文件SFTP客户端直观易操作适合不熟悉命令行的人超大文件或团队共享对象存储中转稳定性高可多机并行获取5. 数据准备与YOLO训练推理实操5.1 数据集组织与标注格式如果你手头的图像识别任务需要训练自有模型数据格式很重要。YOLO系列普遍使用txt格式的标注文件每一行代表一个目标格式为类别 x_center y_center width height其中x_center、y_center、width、height都是归一化到0-1的小数。目录结构一般是这样dataset/ ├── images/ │ ├── train/ │ └── val/ └── labels/ ├── train/ └── val/对应的标注文件是.txt文件名和图片名一致。图片是image01.jpg标注就是image01.txt。训练配置里还需要一个数据集描述文件YAML格式里面指定路径、类别数量、类别名称。从云端跑训练数据上传方式建议用上一节的rsync。上传到云主机后修改数据集YAML中路径为云端绝对路径比如/home/ubuntu/dataset/data.yaml。5.2 训练命令与关键参数训练YOLO最直接的方式是命令行yolo train modelyolov8n.pt data/home/ubuntu/dataset/data.yaml epochs100 imgsz640 batch16 device0如果更习惯在Python里跑也可以这样写from ultralytics import YOLO model YOLO(yolov8n.pt) model.train(data/home/ubuntu/dataset/data.yaml, epochs100, imgsz640, batch16, device0)几个关键参数我展开讲一下。epochs代表训练轮数数据集小时100轮起步数据集大时可以适当减少。imgsz是训练尺寸常规任务用640如果目标是小物体可以调大一些比如1280但显存占用和训练时间都会上升。batch是每步训练的样本数直观影响是显存占用。显存不够时优先减小batch直到训练不再报OOM。device0表示使用第一张GPU卡多卡场景可以device0,1。训练过程中日志会实时打印每轮的loss、mAP等指标。训练完成后最优权重保存在runs/detect/train/weights/best.pt最后几轮的权重对应last.pt。我习惯用best.pt来做推理它的泛化能力通常比最后一轮更好。5.3 云端推理与结果回传训练完成后推理的用法和基础验证一样yolo predict model/home/ubuntu/runs/detect/train/weights/best.pt source/home/ubuntu/test_images/ saveTrue也可以同时输出各类别的置信度信息yolo predict model/home/ubuntu/runs/detect/train/weights/best.pt source/home/ubuntu/video.mp4 saveTrue推理输出放在runs/detect/predict。想把这些结果拿回本地就用rsyncrsync -avzP -e ssh -i ~/.ssh/id_rsa_cloud ubuntu你的公网IP:/home/ubuntu/runs/detect/predict/ ./很多人忽略远程和本地的路径对应关系经常把权重文件传到本地错误目录或者推理结果存在云端不知道该往哪儿看。我的建议是在云主机上固定一个~/yolo_workspace目录放所有项目和结果每次上传下载都以此为锚点路径管理会清晰很多。5.4 可视化与日志留存云端没有显示器不代表不能看训练过程。训练日志里已经包含足够的信息每个epoch的box_loss、cls_loss、dfl_loss以及precision、recall、mAP50、mAP50-95。训练结束后打开runs/detect/train/results.png和results.csv能看到整条训练曲线。把这些文件下载到本地查看就行。如果希望在训练过程中实时监控可以临时用TensorBoard但我实测下来对单机训练YOLO项目直接看CSV和训练log已经清楚够用不需要加额外组件。比较重要的是把日志存好。训练任务挂在后台时一旦终端断开进程可能被杀掉。我用screen或者tmux来挂训练任务tmux new -s train yolo train ...然后按CtrlB再按D脱离会话训练继续在后台跑。重新连接时用tmux attach -t train回到会话查看进度。这个操作几乎每次训练都用到强烈建议养成习惯。6. 常见问题与排查技巧6.1 SSH连接慢、超时或DeniedSSH连接云主机最常见的两类问题一是连接超时二是权限拒绝。超时通常和安全组规则有关检查云平台的安全组/防火墙是否放行了22端口入方向权限拒绝通常是密钥认证失败确认本地用的私钥路径正确、权限是600chmod 600 ~/.ssh/id_rsa_cloud如果使用密码登录却被拒绝确认用户名大小写是否准确Ubuntu默认用户名是ubuntu而不是root。还有一点多次输错密码可能导致IP被暂时限制稍等几分钟再试。6.2 PyTorch无法调用GPU运行推理报Torch not compiled with CUDA enabled或者cuda.is_available()返回False几乎可以断定是版本不匹配。这时回到源头先nvidia-smi看驱动支持的最高CUDA版本再去PyTorch官网找到匹配的pip install命令。如果是镜像自带的旧版本PyTorch优先在当前虚拟环境内升级或重装不建议直接动系统级Python环境。6.3 训练过程OOM显存不足显存不足的报错信息常包含CUDA out of memory。解决顺序是先调小batch这是最直接的手段然后考虑降低imgsz以上都试过还是OOM再考虑换更小规格的模型如从YOLOv8s换成YOLOv8n。不要一上来就买更大显存很多时候改参数就能解决。6.4 文件传输中断或校验失败大文件传输中断后scp需要从头再来所以推荐rsync做断点续传。如果传输完成后发现数据不完整先检查磁盘是否占满再对比本地和云端文件数量与大小du -sh dataset/另外rsync同步时可以加--checksum参数来校验文件内容一致性代价是慢一些但关键数据值得这么做。6.5 conda/pip安装依赖太慢如果创建conda环境或者pip安装依赖时速度极慢挂代理是一回事更稳妥的方案是换镜像源。配置conda国内镜像源conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free conda config --set show_channel_urls yespip换源pip config set global.index-url https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple这种操作一次配置后续所有安装都受益。不是所有境外源都慢但实测下来国内镜像确实稳很多。PyTorch本身的安装包比较大如果默认源慢也可以走PyTorch官方提供的国内镜像地址。6.6 终端断开导致训练中断前面提到用tmux这是我在云端跑训练最深刻的心得。很多人的训练任务跑了两三个小时后笔记本一合盖SSH断开云端进程跟着没了前面的时间全部白费。用tmux或screen后训练任务和SSH会话解耦只要云主机不重启任务就能持续跑完。另外如果云平台支持“定时快照”或者“自动保存”可以在训练前手动打一个快照偶尔误操作重装系统时还能救回来。写在后面这套流程前前后后我跑了很多次从最初的裸机环境手动配到后来直接用预装镜像每次换新实例都踩一遍类似的坑。要说个人体会最深的三件事第一环境就绪的验收标准是torch.cuda.is_available()为True这一步过了后面省心一半第二文件传输尽早用rsync别贪简单只用scp数据量一大你就会理解断点续传和增量同步有多重要第三长时间训练务必套上tmux别让一次网络波动毁掉几小时的算力时间。后续你还可以在这个基础上继续扩展比如把推理封装成HTTP服务用Flask或者其他轻量框架起一个接口这样别人通过API就能调用你的YOLO模型不再依赖命令行。也可以把云主机和对象存储组合起来做成一套标准化的数据流水线。云上跑YOLO说到底就是把环境、数据、算力这三件事安排好理顺之后剩下的就是专注调参和迭代模型本身了。 
长河君 · 2026/10/21 3:17:37 · 阅读 1.2k 云服务器上搭建YOLO图像识别环境：从环境配置到数据训练全流程
做图像识别尤其是跑YOLO系列模型最让人头疼的时刻往往不是模型原理没搞懂而是本地电脑的显卡先撑不住了。我最早是在自己的台式机上跑的一张中端卡训个小型数据集勉强能动但一上大batch或者稍微复杂的模型显存直接拉满风扇响得跟起飞一样。后来我开始接触云服务器跑YOLO才发现这条路省心太多——不用纠结硬件采购不用担心训练到一半停电想用高配卡就开一台用完直接释放。不过云服务器也带来两个新门槛一是环境怎么搭二是数据怎么传。这篇文章就围绕这个场景把我自己一直在用的完整流程写清楚——从零开始在云端搭建YOLO图像识别环境到把本地数据传上去、跑推理和训练、再把结果拿回来的全链路操作。整个过程基于一台英伟达GPU云主机我用的平台代号为funhpc下文统一用“云主机”泛指这一类GPU计算实例系统为Ubuntu默认用户具备sudo权限。无论你是刚接触云服务器的新手还是已经在本地跑过YOLO想迁到云上这都算是一份可以直接照做的实操清单。1. 整体思路与关键决策1.1 为什么选择云服务器跑YOLO很多开发者第一次动“租GPU”的念头是因为本地环境到了某个极限。以我自己的经历为例本地显卡显存只有8GB用YOLOv8s训练一张512×512的图batch size调到16就报OOM了更别提想做交叉验证、调参、加入更多数据增强。云主机解决的是“算力弹性”的问题你需要大显存就选一张24GB甚至更高显存的卡你需要并发跑多个实验甚至可以开几台实例同时跑各训各的模型。成本上看很多人以为云GPU一定很贵但如果按需计费、短时间用比如只跑几小时的推理验证费用通常比想象中低。而且省下的时间、省下的本地硬件更新成本才是真正划算的地方。还有一点容易被忽略云服务器有固定的公网IP和稳定的带宽你可以在任何地方SSH连上去跑实验不需要背着工作站到处跑。1.2 方案选型GPU型号与镜像环境选GPU实例的时候核心参考指标是显存大小和算力型号。不同的YOLO任务对显存要求完全不同只做单张图片的推理测试4GB显存就足够训练YOLO小模型、轻量数据集8GB起步比较稳训练YOLO中大型模型或高分辨率图像16GB以上才舒服同时跑多个实验或者用大batch追求收敛速度24GB甚至更高显存更有底气。选实例时还要看平台是否提供“预装深度学习镜像”。有些云平台会提供带CUDA、cuDNN、PyTorch的镜像有些则是裸系统。如果你是新手我建议优先选预装环境省掉不少事但如果你喜欢掌控每一步配置裸系统也没问题后面我会把手动配置的关键步骤写清楚。环境层面还有一个容易踩坑的点镜像里的CUDA版本和你要装的PyTorch版本必须匹配。不要盲目装最新版。检查驱动支持的CUDA版本最直接的方式是登录后执行nvidia-smi看右上角的CUDA Version那代表驱动能支持的最高版本然后据此选择对应版本的PyTorch安装命令。2. 环境准备与远程连接2.1 获取实例信息并完成SSH登录创建实例之后平台一般会给你几个关键信息公网IP、登录用户名Ubuntu系统通常是ubuntu、初始密码或密钥对。我推荐立即设置密钥登录ssh-keygen -t rsa -b 4096 -f ~/.ssh/id_rsa_cloud然后把公钥内容追加到云主机的~/.ssh/authorized_keys里。如果是第一次登录用密码可以这样手动导入ssh-copy-id -i ~/.ssh/id_rsa_cloud.pub ubuntu你的公网IP之后日常登录ssh -i ~/.ssh/id_rsa_cloud ubuntu你的公网IP首次登录大概率会提示确认主机指纹输入yes就行。连接后第一件事我建议先确认系统版本和硬件状态df -h free -h nvidia-smi这三条命令分别看磁盘、内存和GPU是否就绪。很多人上来就直接clone仓库装依赖结果跑起来发现磁盘写满了或者GPU没被系统识别到白折腾一大圈。2.2 驱动与CUDA的验证逻辑如果平台给的是带GPU驱动的镜像nvidia-smi能正常显示显卡信息那驱动这步就过了。如果显示command not found说明驱动没装好需要重新安装驱动。这里有一个常见误区装驱动不等于装CUDA工具包——驱动是让系统认出GPUCUDA工具包是给PyTorch这类框架提供底层加速接口的。它们之间存在一个兼容关系也就是刚才提到的驱动所能支持的最高CUDA版本决定了你PyTorch版本的上限。我遇到过一台实例nvidia-smi显示支持CUDA 12.4但装PyTorch时默认装的是CUDA 12.1的版本这没问题12.1是兼容的。反过来如果驱动只支持到CUDA 11.8而你硬装了CUDA 12.x版本的PyTorch跑起来必然报错。所以不管你用什么方式装深度学习框架第一件事永远是先看nvidia-smi输出版本。2.3 创建Python虚拟环境不管系统预装了什么Python版本我都强烈建议用conda创建一个独立的虚拟环境避免把系统环境搞坏。安装Miniconda是比较轻量的选择wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh bash Miniconda3-latest-Linux-x86_64.sh安装过程中一路yes结束后重新登录让环境变量生效。然后创建YOLO专用环境conda create -n yolo python3.10 -y conda activate yoloPython版本用3.10是目前兼容性很好的选择YOLOv8官方以及绝大多数深度学习依赖都支持。把环境单独隔离开还有一个好处之后想装其他项目不冲突删掉环境重来也非常干净。注意如果conda创建环境时下载太慢可以先配置国内镜像源后面专门用一节来说这个问题。3. YOLO项目部署与依赖安装3.1 拉取源码与项目结构部署YOLO图像识别项目最简单的路径是直接用官方仓库。以YOLOv8为例YOLOv5、v9、v11的分支做法类似git clone https://github.com/ultralytics/ultralytics.git cd ultralytics这样拿到的源码目录里含有ultralytics这个Python包、cfg配置目录、scripts脚本目录等。官方仓库的好处是版本同步最新文档和例子都在同一个仓库里遇到参数不清楚可以直接翻源码。还有一条更简单的路直接pip install ultralytics这样连源码都不用clone。但它会把相关内容作为安装包塞进site-packages里对想改源码细节的开发者反而没那么友好。我自己的习惯是clone源码然后以可编辑模式安装pip install -e .这样改源码后不需要重新安装改动即时生效。对调试和二次开发来说极其方便。3.2 依赖安装与PyTorch验证直接用requirements.txt装依赖之前先把PyTorch安装好。这是很多新手容易搞反的地方——先pip install一堆包最后装PyTorch时又变了环境。正确顺序是先装PyTorch再装其余依赖。PyTorch的安装命令去官网或者官方镜像站找对应CUDA版本的命令。大致的安装形式是pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121安装完成后进入Python环境确认GPU可用python -c import torch; print(torch.__version__); print(torch.cuda.is_available()); print(torch.cuda.get_device_name(0))如果输出True和显卡型号说明PyTorch已经能正常调用GPU。这一步是整个环境搭建的“验收点”很多人后面的报错其实在前面就埋下了。然后安装其他依赖pip install -r requirements.txt如果你用的是pip install ultralytics的路线直接pip install ultralytics也会把opencv、numpy、pandas这些一并带上。但用源码安装时记得requirements.txt里内容也是必要的。另外opencv-python和opencv-headless不要同时装否则运行时会出现奇怪的GUI报错。3.3 最简单的起步验证环境就绪后我建议跑一次官方自带的推理demo既验证环境又熟悉命令。下载一个测试图片yolo predict modelyolov8n.pt sourcehttps://ultralytics.com/images/bus.jpg或者如果你想看完整源码调用方式可以写一个Python脚本from ultralytics import YOLO model YOLO(yolov8n.pt) results model.predict(sourcebus.jpg, saveTrue, projectruns/detect)第一次运行会自动下载模型权重文件如果下载慢或者失败可以手动从官方release页面找权重下载链接放到当前目录后重新执行。识别完成后结果会存放在runs/detect/目录下带识别框的图片就是输出。跑通这一步YOLO项目在云端的基础部署就算完成了。4. 文件传输从本地到云主机4.1 scp命令最直接的上传下载文件传输是整个云上开发体验里最容易劝退新手的一环。我自己用得最多的是scp因为它随SSH附带无需额外安装命令直观。上传单个文件scp -i ~/.ssh/id_rsa_cloud ./data.jpg ubuntu你的公网IP:/home/ubuntu/上传整个目录scp -i ~/.ssh/id_rsa_cloud -r ./dataset ubuntu你的公网IP:/home/ubuntu/下载文件scp -i ~/.ssh/id_rsa_cloud ubuntu你的公网IP:/home/ubuntu/runs/detect/exp/bus.jpg ./scp的优点是简单缺点是它默认全量拷贝——如果同一目录传了两次重复的文件会再次传输。对于小文件、零星操作用它最方便但传输大数据集就有点低效了。4.2 rsync断点续传与增量同步训练用的数据集动辄几个GB甚至几十GB用scp传大文件一旦网络抖动就得从头再来。这时候rsync才是真正的主力工具。它的威力在于增量同步和断点续传rsync -avzP --progress -e ssh -i ~/.ssh/id_rsa_cloud ./dataset ubuntu你的公网IP:/home/ubuntu/参数含义-a归档模式保留文件属性、递归传输-v显示详细信息-z传输时压缩节省带宽-P等同于--partial --progress支持断点续传并显示进度-e指定SSH命令方便带密钥登录。用rsync另一个实际体验是你改了数据集中几个文件想重新上传它会自动跳过没变化的文件只传更新的部分。这种能力在反复调数据集时太实用了。比如我在标注阶段经常只改几个标签文件重新同步几秒钟就完成了不用重新传整个包。提示本地和远端都装好rsync即可Linux和macOS自带Windows可以在WSL中使用或者安装对应版本的rsync工具。4.3 SFTP图形化与批量操作有些人用不惯命令行或者需要像操作本地文件夹一样拖拽上传下载那么SFTP客户端更合适。第三方SFTP工具很多比如WinSCP、FileZilla、Xshell自带的XFTP等。连接参数和SSH一致主机填公网IP用户名填登录用户端口22认证方式选择密钥或者密码。连上后左边是本地文件右边是云端目录直接拖拽即可。SFTP配合批量任务比scp友好比如你有一个图片文件夹几百张图用SFTP工具整体拖进去就行。而且大部分SFTP工具都支持断点续传大文件传一半能接着传。缺点是命令行操作方便自动化而图形化工具更适合交互式作业。我的习惯是小文件和需要自动化脚本的场景用rsync临时拖拽、人肉整理文件时用SFTP客户端。4.4 压缩打包与对象存储中转如果本地有大量小文件比如一个训练集里几千张几百KB的图片直接rsync或者scp传输会有额外开销。我建议先在本地打包压缩再传tar -czvf dataset.tar.gz dataset/ rsync -avzP -e ssh -i ~/.ssh/id_rsa_cloud ./dataset.tar.gz ubuntu你的公网IP:/home/ubuntu/到了云端再解压tar -xzvf dataset.tar.gz打包上传的好处不只是减少文件数量还能压缩损耗尤其是对图片这类内容压缩率相当可观。如果是超大文件或者你需要在多人、多台机器之间共享数据可以借助对象存储。很多云平台提供对象存储服务本地先把数据传到对象存储桶再由云主机从桶里拉取。这种方式走的是内网或专线往往比直接经SSH跨公网传输更快更稳定。对单人单机场景这一步不是必须的但团队协作或者数据量上百GB时它能省大量时间。4.5 不同传输场景的选择建议我把几种常见场景的推荐传输方式整理成了一张表方便参考场景推荐方式原因上传一张测试图片scp命令简单无需任何额外工具第一次上传整个数据集tar打包 rsync减少小文件数量支持断点续传反复修改少量文件后同步rsync增量同步只传变化部分图形化拖拽管理文件SFTP客户端直观易操作适合不熟悉命令行的人超大文件或团队共享对象存储中转稳定性高可多机并行获取5. 数据准备与YOLO训练推理实操5.1 数据集组织与标注格式如果你手头的图像识别任务需要训练自有模型数据格式很重要。YOLO系列普遍使用txt格式的标注文件每一行代表一个目标格式为类别 x_center y_center width height其中x_center、y_center、width、height都是归一化到0-1的小数。目录结构一般是这样dataset/ ├── images/ │ ├── train/ │ └── val/ └── labels/ ├── train/ └── val/对应的标注文件是.txt文件名和图片名一致。图片是image01.jpg标注就是image01.txt。训练配置里还需要一个数据集描述文件YAML格式里面指定路径、类别数量、类别名称。从云端跑训练数据上传方式建议用上一节的rsync。上传到云主机后修改数据集YAML中路径为云端绝对路径比如/home/ubuntu/dataset/data.yaml。5.2 训练命令与关键参数训练YOLO最直接的方式是命令行yolo train modelyolov8n.pt data/home/ubuntu/dataset/data.yaml epochs100 imgsz640 batch16 device0如果更习惯在Python里跑也可以这样写from ultralytics import YOLO model YOLO(yolov8n.pt) model.train(data/home/ubuntu/dataset/data.yaml, epochs100, imgsz640, batch16, device0)几个关键参数我展开讲一下。epochs代表训练轮数数据集小时100轮起步数据集大时可以适当减少。imgsz是训练尺寸常规任务用640如果目标是小物体可以调大一些比如1280但显存占用和训练时间都会上升。batch是每步训练的样本数直观影响是显存占用。显存不够时优先减小batch直到训练不再报OOM。device0表示使用第一张GPU卡多卡场景可以device0,1。训练过程中日志会实时打印每轮的loss、mAP等指标。训练完成后最优权重保存在runs/detect/train/weights/best.pt最后几轮的权重对应last.pt。我习惯用best.pt来做推理它的泛化能力通常比最后一轮更好。5.3 云端推理与结果回传训练完成后推理的用法和基础验证一样yolo predict model/home/ubuntu/runs/detect/train/weights/best.pt source/home/ubuntu/test_images/ saveTrue也可以同时输出各类别的置信度信息yolo predict model/home/ubuntu/runs/detect/train/weights/best.pt source/home/ubuntu/video.mp4 saveTrue推理输出放在runs/detect/predict。想把这些结果拿回本地就用rsyncrsync -avzP -e ssh -i ~/.ssh/id_rsa_cloud ubuntu你的公网IP:/home/ubuntu/runs/detect/predict/ ./很多人忽略远程和本地的路径对应关系经常把权重文件传到本地错误目录或者推理结果存在云端不知道该往哪儿看。我的建议是在云主机上固定一个~/yolo_workspace目录放所有项目和结果每次上传下载都以此为锚点路径管理会清晰很多。5.4 可视化与日志留存云端没有显示器不代表不能看训练过程。训练日志里已经包含足够的信息每个epoch的box_loss、cls_loss、dfl_loss以及precision、recall、mAP50、mAP50-95。训练结束后打开runs/detect/train/results.png和results.csv能看到整条训练曲线。把这些文件下载到本地查看就行。如果希望在训练过程中实时监控可以临时用TensorBoard但我实测下来对单机训练YOLO项目直接看CSV和训练log已经清楚够用不需要加额外组件。比较重要的是把日志存好。训练任务挂在后台时一旦终端断开进程可能被杀掉。我用screen或者tmux来挂训练任务tmux new -s train yolo train ...然后按CtrlB再按D脱离会话训练继续在后台跑。重新连接时用tmux attach -t train回到会话查看进度。这个操作几乎每次训练都用到强烈建议养成习惯。6. 常见问题与排查技巧6.1 SSH连接慢、超时或DeniedSSH连接云主机最常见的两类问题一是连接超时二是权限拒绝。超时通常和安全组规则有关检查云平台的安全组/防火墙是否放行了22端口入方向权限拒绝通常是密钥认证失败确认本地用的私钥路径正确、权限是600chmod 600 ~/.ssh/id_rsa_cloud如果使用密码登录却被拒绝确认用户名大小写是否准确Ubuntu默认用户名是ubuntu而不是root。还有一点多次输错密码可能导致IP被暂时限制稍等几分钟再试。6.2 PyTorch无法调用GPU运行推理报Torch not compiled with CUDA enabled或者cuda.is_available()返回False几乎可以断定是版本不匹配。这时回到源头先nvidia-smi看驱动支持的最高CUDA版本再去PyTorch官网找到匹配的pip install命令。如果是镜像自带的旧版本PyTorch优先在当前虚拟环境内升级或重装不建议直接动系统级Python环境。6.3 训练过程OOM显存不足显存不足的报错信息常包含CUDA out of memory。解决顺序是先调小batch这是最直接的手段然后考虑降低imgsz以上都试过还是OOM再考虑换更小规格的模型如从YOLOv8s换成YOLOv8n。不要一上来就买更大显存很多时候改参数就能解决。6.4 文件传输中断或校验失败大文件传输中断后scp需要从头再来所以推荐rsync做断点续传。如果传输完成后发现数据不完整先检查磁盘是否占满再对比本地和云端文件数量与大小du -sh dataset/另外rsync同步时可以加--checksum参数来校验文件内容一致性代价是慢一些但关键数据值得这么做。6.5 conda/pip安装依赖太慢如果创建conda环境或者pip安装依赖时速度极慢挂代理是一回事更稳妥的方案是换镜像源。配置conda国内镜像源conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free conda config --set show_channel_urls yespip换源pip config set global.index-url https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple这种操作一次配置后续所有安装都受益。不是所有境外源都慢但实测下来国内镜像确实稳很多。PyTorch本身的安装包比较大如果默认源慢也可以走PyTorch官方提供的国内镜像地址。6.6 终端断开导致训练中断前面提到用tmux这是我在云端跑训练最深刻的心得。很多人的训练任务跑了两三个小时后笔记本一合盖SSH断开云端进程跟着没了前面的时间全部白费。用tmux或screen后训练任务和SSH会话解耦只要云主机不重启任务就能持续跑完。另外如果云平台支持“定时快照”或者“自动保存”可以在训练前手动打一个快照偶尔误操作重装系统时还能救回来。写在后面这套流程前前后后我跑了很多次从最初的裸机环境手动配到后来直接用预装镜像每次换新实例都踩一遍类似的坑。要说个人体会最深的三件事第一环境就绪的验收标准是torch.cuda.is_available()为True这一步过了后面省心一半第二文件传输尽早用rsync别贪简单只用scp数据量一大你就会理解断点续传和增量同步有多重要第三长时间训练务必套上tmux别让一次网络波动毁掉几小时的算力时间。后续你还可以在这个基础上继续扩展比如把推理封装成HTTP服务用Flask或者其他轻量框架起一个接口这样别人通过API就能调用你的YOLO模型不再依赖命令行。也可以把云主机和对象存储组合起来做成一套标准化的数据流水线。云上跑YOLO说到底就是把环境、数据、算力这三件事安排好理顺之后剩下的就是专注调参和迭代模型本身了。