跳至内容
技术文档
计算机视觉
YOLO 训练
Google Colab Google Drive Yolov8 Training

Google Colab + Google Drive 训练 YOLOv8 指南

本文档用于说明如何在 Google Colab 中挂载 Google Drive、解压项目、配置环境、训练 YOLOv8 模型，并通过 TensorBoard 查看训练日志，最后导出训练得到的 best.pt。

适用场景：

  • 本地电脑算力不足
  • 希望使用 Colab GPU 完成 YOLOv8 训练
  • 希望将数据集、项目和训练结果保存在 Google Drive 中

作者：姜树豪（JSH）
更新时间：2026-03-09

参考链接

哔哩哔哩

目录

  1. 工作流总览
  2. 挂载 Google Drive
  3. 检查 Colab GPU
  4. 解压项目到工作目录
  5. 进入项目目录
  6. 安装依赖
  7. 启动 TensorBoard
  8. 开始训练
  9. 查看并导出 best.pt
  10. 常见问题与注意事项

1. 工作流总览

在 Colab 中训练 YOLOv8，推荐按下面顺序执行：

  1. 挂载 Google Drive
  2. 检查 GPU 是否可用
  3. 解压项目到 Colab 或 Drive
  4. 进入项目目录
  5. 安装依赖
  6. 启动 TensorBoard
  7. 执行训练
  8. 查看并保存权重文件

Google 官方说明，Colab 可以挂载 Google Drive，让运行时直接访问 Drive 中的文件；每次连接新运行时通常都需要重新授权挂载。:contentReference[oaicite:1]{index=1}

2. 挂载 Google Drive

在 Colab 中执行：

1
2

from google.colab import drive
drive.mount('/content/drive')

挂载成功后，Google Drive 中的文件会出现在：

1

/content/drive/MyDrive/

这也是后面保存数据集、压缩包、训练结果最常用的位置。Google Colab 官方示例同样展示了这种挂载方式。(colab.research.google.com)

3. 检查 Colab GPU

先检查当前运行时是否分配了 GPU：

1
2
3
4
5

!/opt/bin/nvidia-smi
!nvidia-smi

import torch
print('CUDA available:', torch.cuda.is_available(), 'GPU count:', torch.cuda.device_count())

如果输出中：

  • CUDA available: True
  • GPU count 大于 0

说明当前 Colab 会话已经有可用 GPU。

4. 解压项目到工作目录

推荐做法一：解压到 Colab 本地工作目录

这种方式训练和读写通常更快：

1

!unzip -q "/content/drive/MyDrive/Colab Notebooks/yolov8_train.zip" -d /content/

如果压缩包内部本身已经包含顶层文件夹 yolov8_train，那么解压后目录通常会变成：

1

/content/yolov8_train

推荐做法二：解压到 Google Drive

如果你希望项目始终保存在 Drive 里，也可以这样：

1

!unzip -q "/content/drive/MyDrive/Colab Notebooks/yolov8_train.zip" -d "/content/drive/MyDrive/Colab Notebooks/"

这样解压后的目录通常会是：

1

/content/drive/MyDrive/Colab Notebooks/yolov8_train

建议： 训练时优先在 /content/ 下运行，结果再拷回 Drive。 因为 Colab 本地运行目录的读写速度通常比直接在 Drive 中训练更稳。

5. 进入项目目录

这一部分必须和上一步解压路径保持一致。

如果你解压到 /content/ 

1

%cd /content/yolov8_train

如果你解压到 Drive 

1

%cd "/content/drive/MyDrive/Colab Notebooks/yolov8_train"

进入目录后，建议先确认文件是否存在：

1

!ls

6. 安装依赖

Ultralytics 官方说明，最常见的安装方式是直接用 pip install ultralytics，也可以通过 Git 克隆源码安装。(Ultralytics Docs)

你原稿中的安装步骤是：

1
2
3
4

!pip uninstall -y ultralytics
!pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu117
!pip install ultralytics
!pip install -r requirements.txt --no-deps

这套命令不是不能用，但在 Colab 中通常不够稳，因为：

  • Colab 运行时本身往往已经带有 PyTorch
  • 强行重装 torch 可能和当前运行时环境不匹配
  • 多次卸载 / 重装更容易引入版本冲突。(PyTorch)

更稳妥的推荐写法 

1
2

!pip install -U ultralytics
!pip install -r requirements.txt --no-deps

然后验证：

1
2

import torch
print('CUDA:', torch.cuda.is_available(), 'GPUs:', torch.cuda.device_count())

如果你确实需要手动装 PyTorch

只有在当前环境里的 PyTorch 明显不可用或版本不匹配时，再考虑手动安装。PyTorch 官方提供了不同 CUDA 版本的安装入口和旧版本说明。(PyTorch)

7. 启动 TensorBoard

如果你想在 Colab 中直接查看训练曲线，可以使用 TensorBoard。

1
2
3

%load_ext tensorboard
# %tensorboard --logdir runs/train
%tensorboard --logdir runs/detect

Ultralytics 的训练结果通常会保存在 runs/detect/<实验名> 下，所以这里写 runs/detect 更稳。Ultralytics 文档也说明训练结果会按任务与运行名保存在 runs 目录中。(Ultralytics Docs)

8. 开始训练

推荐写法

如果 mydatas.yaml 在项目根目录下：

1
2
3
4
5
6
7
8
9

!yolo task=detect mode=train \
  data=/content/yolov8_train/mydatas.yaml \
  model=yolov8n.pt \
  epochs=300 \
  imgsz=640 \
  batch=8 \
  workers=2 \
  device=0 \
  name=colab_train

如果你的项目在 Drive 中，就把路径换成 Drive 对应路径。

参数说明

  • task=detect：目标检测任务
  • mode=train：训练模式
  • data=...：数据集配置文件
  • model=yolov8n.pt：预训练模型
  • epochs=300：训练轮数
  • imgsz=640：输入分辨率
  • batch=8：批大小
  • workers=2：数据加载线程数
  • device=0：使用第 0 张 GPU
  • name=colab_train：本次实验名称

9. 查看并导出 best.pt

训练完成后，权重文件通常会出现在：

1

runs/detect/colab_train/weights/

可以查看目录内容：

1

!ls runs/detect/colab_train/weights

如果一切正常，你应该会看到类似：

1
2

best.pt
last.pt

拷贝到 Google Drive 保存

为了避免 Colab 断开后文件丢失，建议把权重拷贝到 Drive：

1

!cp runs/detect/colab_train/weights/best.pt "/content/drive/MyDrive/Colab Notebooks/best.pt"

如果想把整个实验目录保存到 Drive：

1

!cp -r runs/detect/colab_train "/content/drive/MyDrive/Colab Notebooks/"

10. 常见问题与注意事项

10.1 为什么挂载了 Drive 还要把项目解压到 /content/？

因为 /content/ 是 Colab 当前运行时的本地工作目录，读写一般更快； 而 Google Drive 更适合用来长期保存：

  • 数据集压缩包
  • 训练结果
  • 最终模型权重

10.2 为什么不建议一上来就重装 torch？

因为 Colab 环境本身经常已经带了可用的 PyTorch。 如果你没有先确认当前环境是否真的有问题，就直接卸载重装，反而更容易造成依赖冲突。PyTorch 社区里也多次提到，多个安装残留或反复覆盖会让 CUDA 识别异常。(PyTorch Forums)

10.3 TensorBoard 没有曲线怎么办？

优先检查：

  1. 训练是否真的开始了
  2. 日志目录是否写对了
  3. runs/detect/colab_train 下是否生成了事件文件

10.4 为什么 best.pt 找不到？

通常有几种原因：

  • 训练还没结束
  • 训练报错提前中断
  • name 不是 colab_train
  • 实际输出目录不是你以为的那个路径

建议先执行：

1

!find runs -name best.pt

直接搜索。

10.5 Colab 断开后文件会不会丢？

如果文件只保存在 /content/ 下，运行时断开后通常会丢失。 所以训练完成后，建议立刻把：

  • best.pt
  • last.pt
  • runs/detect/colab_train

拷贝回 Google Drive。Google Colab 官方也明确说明 Drive 挂载后可用于读写持久化文件。(colab.research.google.com)

总结

这篇文档的主线可以浓缩成一句话：

Google Drive 负责存储，Colab 负责训练，训练完成后再把结果拷回 Drive。

推荐的稳定流程是：

  1. 挂载 Drive
  2. 检查 GPU
  3. 把项目解压到 /content/
  4. 进入项目目录
  5. 安装 ultralytics 和项目依赖
  6. 启动 TensorBoard
  7. 训练模型
  8. 将 best.pt 拷回 Drive

这样比直接把所有东西都堆在 Drive 里训练更稳，也更容易排错。

ReadmeYolo Local Testing and Server Training