华为云云耀云服务器L实例评测｜ ultralytics最先进模型YOLOv8深度学习AI训练

前言

登录服务器

安装pyhton

部署yolov8

安装Pytorch

下载权重文件

训练模型

模型使用

前言

前几期我们在云耀云服务器L实例上分别使用docker和直接在centos上部署了yolov5识别API，前端项目vue，后端项目.net Core Web Api,但是从监控图上来看，都没什么压力，调用接口也很流畅。

在实例介绍中看到，华为云擎天架构加持，软硬协同结合顶尖AI算法智能调度。于是有了一个疯狂的想法，这期我们给服务器来点压力，[坏笑!]，这期我们要在服务器上部署yolov8进行AI模型训练。

YOLOv8 发布于2023 年 1月 10 号，是 ultralytics 公司在开源的 YOLOv5 的下一个重大更新版本，是一种尖端的、最先进的（SOTA）模型

登录服务器

因为要训练AI模型，我们要处理图片，查看图片效果，方便起见，这次服务器我选择了系统镜像Windows Server

拿到服务器，第一步还是要重置密码，在控制台，找到对应的服务器，点击操作列的更多、重置密码。

记得一定要勾选自动重启，这样我们的密码才能立马生效！

然后我们有两种方式来登录，一种是直接点击操作列的远程登录，在其他方式这里，点击立即登录来使用控制台提供的VNC方式登录！

或者快捷键Win + R ，在弹出的页面中输入 mstsc，确定！

然后在弹出的远程桌面连接中，输入我们服务器的弹性IP

然后在验证界面，点击下面的更多选择，选择其他账户

用户名：Administrator 密码：刚刚重置密码时你设置的密码

弹出的无法验证身份，点击是！

然后就连上我们的服务器了，桌面非常干净，只有一个回收站！

安装pyhton

因为服务器上什么环境都没有，我们先来安装python3，在官网随便下一个大于大于3.8的python安装包，选择amd64的exe版本，安装的时候勾选最底下的帮我们添加环境变量

等待一会之后，出现下面这个界面就是安装成功了。

打开控制台，执行 python -V 和 pip -V ，看看我们的环境变量是否设置成功。

部署yolov8

去官网将yolov8的源码下载下来

ultralytics/ultralytics: NEW - YOLOv8 🚀 in PyTorch > ONNX > OpenVINO > CoreML > TFLite (github.com)

安装项目依赖

pip install ultralytics
pip install yolo速度慢的话换国内镜像，在命令后面加上
-i https://pypi.tuna.tsinghua.edu.cn/simple numpy

安装Pytorch

到官网安装Pytorch

Start Locally | PyTorch

在安装之前看看自己买的服务器是否有GPU，可以使用命令来查看

查看CPU型号：cat /proc/cpuinfo | grep "model name"
查看GPU型号（Nvidia GPU）：nvidia-smi --query-gpu=gpu_name --format=csv
查看GPU型号（AMD Radeon GPU）：sudo lshw -C display

因为我这台是只有CPU的，因此在官网中选择Stable(稳定版)，系统Linux，用pip来安装吧，然后Compute Platform选择CPU，然后把Run this Command:中的命令👇丢到服务器上去执行

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu

下载权重文件

因为项目没有权重文件，跑命令的时候他会自己去官网下载权重文件，但是因为是从github上下载，太慢了，我选择自己下好再拉到服务器上。

在yolo中有几种识别模式，因为我们目的只是测试服务器性能，所以我们选择Classify，图像分类模型，他的素材比较好整理。

去到官网，找到下图中的模型表，点击model列的模型名字，就会自动下载了，然后丢到我们项目的根目录，不同的模型，识别的速度，目标大小，准确度都不一样，并且对电脑性能的要求也不一样，在官网中都有详细介绍。这里我测试使用的是yolov8s-cls

ultralytics/ultralytics: NEW - YOLOv8 🚀 in PyTorch > ONNX > OpenVINO > CoreML > TFLite (github.com)

项目部署好了，模型有了，接下来就差数据集了，像下图中这种格式，我们只需要以类名称为文件夹，然后在统一放到一个大文件夹下面就好了，因为分类识别只需要识别出这个图片是什么，而不需要知道具体在什么位置，因此不需要进行标注，所以他的数据集是最简单的，这也是为什么我选择这个模型在这里做演示。

训练模型

然后我们执行命令来开始训练模型了。

yolo detect train data=你放数据集的路径 model=yolov8s-cls.pt epochs=100 imgsz=640

执行完发现报了下图的错，缺少msvc-runtime库，使用下面命令安装

pip install msvc-runtime

然后再执行一次识别命令，可以看到大概1分钟一轮，

看一下性能监视器，我只能说，遥遥领先！说实话我一开始觉得他会直接宕机的，没想到居然可以一分钟一轮的训练，这已经是很好的成绩了

换成最大的模型再试一次，服务器没有死撑，把任务停掉了，控制台打印内存不足，意料之中，不过能带的动s模型已经很不错了。

模型使用

在一段时间的等待之后，模型训练完成会出现如下信息。

然后在我们项目路径的runs/classify下会有我们每次训练保存的数据，如生成的confusion_matrix是一个混淆矩阵的可视化图像，用于展示模型在不同类别上的分类效果，通过观察非对角线上的数值，我们可以了解模型在哪些类别上容易发生错误分类，进而对模型进行调整和改进。

打开weights文件夹，这里面就是我们训练好的模型了，可以看到这里有bset和last两个权重文件。

best.pt文件保存的是在验证集上表现最好的模型权重。在训练过程中，每个epoch结束后都会对验证集进行一次评估，并记录下表现最好的模型的权重。这个文件通常用于推理和部署阶段，因为它包含了在验证集上表现最好的模型的权重，可以获得最佳的性能。
last.pt文件则保存的是最后一次训练迭代结束后的模型权重。这个文件通常用于继续训练模型，因为它包含了最后一次训练迭代结束时的模型权重，可以继续从上一次训练结束的地方继续训练模型。

简单来说就是best是最好的，last是最后的，所以我们接下来使用这个模型来识别一下。