### 配置 PyCharm 远程连接 AutoDL 平台训练 YOLOv5 模型 #### 一、准备工作 在开始之前，确保已经完成以下准备事项： 1. 安装并激活最新版本的 PyCharm（推荐 Professional 版本）。 2. 注册并登录到 AutoDL 平台账户，获取 SSH 登录指令和密码[^2]。 3. 下载并安装适合本地环境的 CUDA 和 cuDNN 工具包。 --- #### 二、配置远程解释器 1. **设置 SSH 参数** 打开 PyCharm 的 `File` -> `Settings` -> `Project: <Your Project>` -> `Python Interpreter`。点击右上角齿轮图标，选择 `Add...`。 在弹出窗口中选择 `SSH Interpreter`，输入以下参数： - Hostname: 提取自 AutoDL 提供的 SSH 登录指令中的主机地址，例如 `region-5.autodl.com`。 - Port: 同样提取自 SSH 登录指令中的端口号，例如 `50529`。 - Username: 默认为 `root` 或由 AutoDL 提供的具体用户名。 - Password/Key File: 输入 AutoDL 提供的密码或上传私钥文件。 2. **验证连接** 点击测试按钮确认可以成功连接至 AutoDL 服务器。如果失败，请检查网络状态以及 SSH 密码是否正确。 --- #### 三、创建虚拟环境与依赖项管理 1. **初始化 Python 虚拟环境** 在新打开的终端会话中执行命令来创建一个新的虚拟环境： ```bash python3 -m venv /path/to/new/virtual/environment source /path/to/new/virtual/environment/bin/activate ``` 2. **安装必要的库** 根据所选 CUDA 版本下载对应的 PyTorch 及其扩展组件： ```bash pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 ``` 此外还需要安装 YOLOv5 所需的支持库： ```bash git clone https://github.com/ultralytics/yolov5.git cd yolov5 pip install -r requirements.txt ``` --- #### 四、传输数据集至服务器 为了高效利用 GPU 性能，在本地准备好标注好的数据集后将其上传到 AutoDL 实例存储空间内。可以通过 SCP 命令实现这一操作： ```bash scp -P 50529 /local/path/to/dataset.zip root@region-5.autodl.com:/remote/path/ ``` 解压完成后调整路径指向以匹配 YOLOv5 数据加载脚本的要求[^1]。 --- #### 五、编写与调试代码 将项目目录同步回本地开发环境中编辑运行逻辑部分；随后切换回到远程模式下提交作业给后台处理队列等待调度执行即可[^3]。 ```python from pathlib import Path import yaml # 修改yaml文件定义的数据位置等信息 data_yaml = { 'train': str(Path('/remote/path/train/images')), 'val': str(Path('/remote/path/validation/images')), 'nc': 8, # 类别数量 'names': ['class_1', 'class_2'] # 自己设定类别名称列表 } with open('data.yaml', 'w') as f: yaml.dump(data_yaml, f) # 开始训练过程调用yolo api接口函数形式发起请求 !python train.py --img 640 --batch 16 --epochs 50 --data data.yaml --weights yolov5s.pt ``` ---