在计算机视觉领域，YOLOv8以其高效的实时目标检测能力成为热门选择。然而，对于学生和研究者而言，GPU资源的获取往往是训练模型的第一道门槛。

        FunHPC平台提供学生用户一年免费GPU服务器使用权，但需注意显卡资源需定时抢购。建议提前了解平台开放时间，并准备好账户信息以提高成功率。

        本次我们使用的数据集为Kaggle上的AgroPest-12，它是一个精选数据集，包含 12 类农作物昆虫和害虫的图像，由此我们使用Yolov8n和Yolo11n模型在云服务器上训练，实现对12类农作物昆仲的精准识别。

---

数据集：AgroPest-12: Image Dataset for Crop Pest Detectionhttps://www.kaggle.com/datasets/rupankarmajumdar/crop-pests-dataset

租用服务器的网站 （学生认证免费使用一年，不过要看准时机抢显卡）：https://www.funhpc.comhttps://www.funhpc.com

我抢的时候刷新两分钟出来显卡了，就直接创建一个了。

镜像我是随便选择的，我感觉都这个任务来看，选择哪一个都差不多，毕竟还要下载对应库的。（这是一个错误的选择，先往下看吧）

等实例运行…………

首先将训练所需要的文件上传，直接拖动上面就行，稍等几分钟就上传完了，文件简略结构：

展开如下：

修改data.yaml文件中的文件路径：

# 最好写绝对路径，修改以下三行代码
train: /data/coding/dataset/train/images 
val: /data/coding/dataset/valid/images
test: /data/coding/dataset/test/images

nc: 12  # 分类种数

names:
  [
    "Ants",
    "Bees",
    "Beetles",
    "Caterpillars",
    "Earthworms",
    "Earwigs",
    "Grasshoppers",
    "Moths",
    "Slugs",
    "Snails",
    "Wasps",
    "Weevils",
  ]

按照步骤打开Terminal终端：

在打开的Terminal中输入:

conda env list

enter运行，检查已有的conda环境

输入：

# 创建yolo环境
conda create -n yolo

然后继续输入：

# 激活这个yolo环境
conda activate yolo

切换到我们创建的yolo环境中了：

唉，由于之前随便选框架版本，导致不兼容，需要重新修改一下框架配置：

pip install torch==2.1.2 torchvision==0.16.2 torchaudio==2.1.2 \
            --index-url https://download.pytorch.org/whl/cu121

接下来我们下载ultralytics库：

pip install ultralytics

时间一点点长，5分钟左右吧

先用cpu训练（device=cpu）两轮看看能不能跑通：

yolo task=detect mode=train model=./model/yolov8n.pt data=./config/data.yaml epochs=2 imgsz=320 device=cpu

如果出现numpy版本出错：

RuntimeError: Numpy is not available

就修改一下numpy的版本：

pip install --force-reinstall "numpy<2.0"

使用GPU训练（device=0）：

yolo task=detect mode=train \
     model=./model/yolov8n.pt \
     data=./config/data.yaml \
     epochs=2 \
     imgsz=320 \
     device=0

参数	说明	示例值
yolo	Ultralytics 官方命令行入口	固定写法
task=detect	指定任务类型：detect（检测）、segment（分割）、classify（分类）、pose（关键点）
mode=train	模式：train（训练）、val（验证）、predict（预测）、export（导出模型）
model=./model/yolov8n.pt	① 加载的 预训练权重 路径； ② 也支持 yaml，如 yolov8n.yaml（从零训练）
data=./config/data.yaml	数据集配置文件，内含路径、类别数、类别名称
epochs=2	训练轮数（整个数据集跑几遍）	2（调试）-->300（正式）
imgsz=320	输入网络的 图片短边 尺寸（长边自动等比缩放）	最好是32的倍数（640等）
device=0	训练设备	0：第 1 张 GPU； 0,1：两张 GPU； cpu：强制 CPU

实际训练中，可多训练几论（如50、300轮），参数都可以修改的。最后在文件栏会自动生成一个runs文件夹，里面有很多数据以及可视化图表。

我这里是cpu训练20轮的结果，当然你要多训练几轮！

如有问题，请在评论区多多交流！！！

下期我们讲讲生成的图像是什么意思，该怎么理解？

掰掰咯