1. 安装 `VSCode` ，Visual Studio Code - Code Editing. Redefined

2. 安装 `VSCode` 插件，`Remote-SSH` 、 `Chinese (Simplified)`

3. 领取 `50算力券(24小时4090显卡)`，无需认证！

>博主粉丝福利，限量领取 

><https://cloud.lanyun.net/#/registerPage?promoterCode=5f738eaf90>

4. 租显卡设备

5. 上传数据集

> 数据集链接：<https://bianchenghao.cn/s/14Gw_jymmUxQAWv3JNvgwqw>

> 提取码：df66

或 ： <https://download.csdn.net/download/weixin_/>

6. 解压数据集到指定位置：`unzip -d /root/VOC2007/ /root/lanyun-fs/VOC2007.zip`

7. 下载代码： 

`source /etc/network_turbo` # 开启代理

`git clone https://github.com/ultralytics/ultralytics --branch v8.3.12`

8. 初始化 `conda init`

9. 新建`conda`环境：`conda create --name yolov8 python=3.10 -y`

10. 激活`conda`环境：`conda activate yolov8` 

11. 安装环境：

`unset http_proxy && unset https_proxy` # 关闭代理

`pip install -e . -i https://pypi.tuna.tsinghua.edu.cn/simple `

12. 下载权重 `wget https://github.com/ultralytics/assets/releases/download/v8.3.0/yolo11n.pt`

13. 推理模型：

```python

from ultralytics import YOLO

if __name__ == '__main__':

  # 加载模型

  model = YOLO(r'yolov8n.pt') # YOLOv8n模型

  model.predict(

    source=r'ultralytics/assets/bus.jpg',

    save=True, # 保存预测结果

    project='runs/predict', # 项目名称（可选）

    name='exp', # 实验名称，结果保存在'project/name'目录下（可选）

  )

```

14. 编写数据集 `yaml` 文件

15. 训练模型：

```python

from ultralytics import YOLO

if __name__ == '__main__':

  # 加载模型

  model = YOLO('yolov11.yaml', task="detect") # 不使用预训练权重训练 | detect, segment, classify, pose, obb

  # model = YOLO(r'yolov11.yaml').load("yolov11n.pt") # 使用预训练权重训练

  # 训练参数 ----------------------------------------------------------------------------------------------

  model.train(

    data='coco128.yaml',

    epochs=100, # (int) 训练的周期数

    patience=50, # (int) 等待无明显改善以进行早期停止的周期数

    batch=32, # (int) 每批次的图像数量（-1 为自动批处理）

    imgsz=640, # (int) 输入图像的大小，整数或w，h

    save=True, # (bool) 保存训练检查点和预测结果

    save_period=-1, # (int) 每x周期保存检查点（如果小于1则禁用）

    cache=True, # (bool) True/ram、磁盘或False。使用缓存加载数据

    device='', # (int | str | list, optional) 运行的设备，例如 cuda device=0 或 device=0,1,2,3 或 device=cpu

    workers=8, # (int) 数据加载的工作线程数（每个DDP进程）

    project='runs/train', # (str, optional) 项目名称

    name='exp', # (str, optional) 实验名称，结果保存在'project/name'目录下

    pretrained=True, # (bool | str) 是否使用预训练模型（bool），或从中加载权重的模型（str）

    optimizer='SGD', # (str) 要使用的优化器，选择=[SGD，Adam，Adamax，AdamW，NAdam，RAdam，RMSProp，auto]

    verbose=True, # (bool) 是否打印详细输出

    seed=0, # (int) 用于可重复性的随机种子

    close_mosaic=0, # (int) 在最后几个周期禁用马赛克增强

    resume=False, # (bool) 从上一个检查点恢复训练

    amp=False, # (bool) 自动混合精度（AMP）训练，选择=[True, False]，True运行AMP检查

  )

```

16. 评估模型：

```python

from ultralytics import YOLO

if __name__ == '__main__':

  # 加载模型

  model = YOLO(r'yolov8n.pt')  

  # 验证模型

  metrics=model.val(

    data=r'coco128.yaml',

    split='val', # (str) 用于验证的数据集拆分，例如'val'、'test'或'train'

    batch=1, # (int) 每批的图像数量（-1 为自动批处理）

    imgsz=640, # 输入图像的大小，可以是整数或w，h

    device=0, # 运行的设备，例如 cuda device=0 或 device=0,1,2,3 或 device=cpu

    workers=8, # 数据加载的工作线程数（每个DDP进程）

    iou=0.6, # 非极大值抑制 (NMS) 的交并比 (IoU) 阈值

    project='runs/val', # 项目名称（可选）

    name='exp', # 实验名称，结果保存在'project/name'目录下（可选）

  )

  print(f"mAP50-95: {metrics.box.map}") # map50-95

  print(f"mAP50: {metrics.box.map50}") # map50

  print(f"mAP75: {metrics.box.map75}") # map75

  speed_metrics = metrics.speed

  total_time = sum(speed_metrics.values())

  fps = 1000 / total_time

  print(f"FPS: {fps}") # FPS

```

今天的文章 cornernet训练自己的数据集（nanodet 训练自己的数据集）分享到此就结束了，感谢您的阅读。