1. 注册与登录注册后进入界面应该是这样推荐用微信注册这样会在手机上推送余额消息2. 租用实例点击租用新实例可以按需选择我这边选择的是跟我电脑差不多的配置3. 连接实例开启实例后是这样的点击JupyterLab进入可以通过AutoPanel传输文件但是有的时候传输的比较快有的时候传输的比较慢对于大文件不太友好推荐通过ssh进行传输4. 传输文件在你的电脑终端我是用windows示例打开PowerShell输入下面的代码scp -P 端口按照你的填写 文件地址 rootconnect.bjb1.seetacloud.com:/root/autodl-tmp输入yes再输入密码就可以了想要训练yolo系列要传输一份源码和数据集以及你要使用的权重文件5. 准备数据集与源码我准备了一份源码可以参考一下链接:https://pan.baidu.com/s/1ZV1_B1j54BJGStVy1bcazQ?pwdiaq7进入autodl-tmp文件夹后将源码进行解压unzip ultralytics-main.zip解压好是这样将你的数据集放在这个目录下的datasets文件夹下如果你的数据集在autodl-tmp路径下可以输入以下代码unzip -d /root/autodl-tmp/ultralytics-main/datasets/数据集名称 数据集名称.zip然后修改autodl-tmp/ultralytics-main/ultralytics/cfg/datasets/data.yaml这个文件给出参考可自行修改路径建议写全局路径种类和名字建议训练的代码和权重文件放在autodl-tmp/ultralytics-main这个目录下给出参考训练代码if __name__ __main__: import multiprocessing import os os.environ[KMP_DUPLICATE_LIB_OK] True multiprocessing.freeze_support() # Your main code here from ultralytics import YOLO # Create a new YOLO model from scratch # model YOLO(yolov8n.yaml) Load a pretrained YOLO model (recommended for training) model YOLO(yolo11s.pt) # 改成best.pt 中间断了续训 model YOLO(/runs/detect/train6/weights/last.pt) results model.train(datadata.yaml, epochs300, resumetrue) Train the model using the coco128.yaml dataset for 3 epochs results model.train(datadata.yaml, epochs300) import torch 检查torch是否有CUDA支持即是否能用GPU print(torch.cuda.is_available()) 如果CUDA可用它还会打印出当前默认的CUDA设备通常是第一个GPU if torch.cuda.is_available(): print(torch.cuda.get_device_name(0)) print(torch.version.cuda) device torch.device(cuda:0 if torch.cuda.is_available() else cpu) print(device)6. 安装依赖包在训练之前还要下载一下包pip install huggingface_hub pip install opencv-python pip install ultralytics pip install pandas7. 开始训练打开终端cd ~/autodl-tmp/ultralytics-main/ python3 train.py训练好的权重存放在autodl-tmp/ultralytics-main/runs/detect/train/weights/best.pt这个路径下可以右键下载到本地电脑上也可以打包成一个压缩包下载也可以通过ssh传输到本地电脑上