跳至内容
技术文档
计算机视觉
YOLO 训练
Yolo Local Testing and Server Training

YOLO 本地测试与服务器训练完整流程

本文档用于记录 YOLO 项目从本地环境测试到服务器训练、TensorBoard 可视化、模型验证、推理预测以及结果回传本地的完整流程。

适用场景：

  • 本地电脑先完成环境验证与小规模测试
  • 服务器进行正式训练
  • 使用 TensorBoard 远程查看训练日志
  • 训练完成后进行验证、推理和结果导出

作者：姜树豪（JSH）
更新时间：2026-03-09

目录

  1. 工作流总览
  2. 本地环境测试
  3. 服务器环境配置
  4. 服务器训练
  5. TensorBoard 可视化
  6. 在服务器上验证模型
  7. 在服务器上执行预测
  8. 将结果拷回本地
  9. 常见注意事项

1. 工作流总览

整个流程建议按下面顺序执行：

  1. 在本地检查显卡、创建环境、安装依赖
  2. 在本地运行测试脚本，确认 GPU 和训练命令能正常工作
  3. 在服务器上重新配置环境
  4. 在服务器上拉取项目并正式训练
  5. 通过 TensorBoard 远程查看训练日志
  6. 训练完成后，在服务器上进行验证与预测
  7. 将训练结果从服务器拷回本地保存

这条主线要记住：

本地负责测试，服务器负责正式训练。

2. 本地环境测试

这一部分的目的不是正式训练，而是先确认：

  • 显卡驱动正常
  • Conda 环境可用
  • PyTorch 能调用 GPU
  • YOLO 命令可以正常运行

2.1 查看显卡驱动

在 PowerShell 中执行：

1

nvidia-smi

如果能够正常显示显卡信息，说明当前机器的 NVIDIA 驱动工作正常。

2.2 创建 Conda 环境 

1
2

conda create -n yolo python=3.11 -y
conda activate yolo

注意： 开代理时有时会导致 Conda 或 pip 下载失败，如果遇到异常，可以先关闭代理再试。

2.3 安装依赖

先升级 pip：

1

python -m pip install --upgrade pip

安装 TensorBoard：

1

pip install tensorboard

安装 PyTorch：

1

pip3 install torch torchvision --index-url https://download.pytorch.org/whl/cu128

如果后续还需要 YOLO 命令，可以继续安装 Ultralytics：

1

pip install -U ultralytics

2.4 测试 GPU 是否可用

建议准备一个简单的测试脚本，例如 test_gpu.py，用于确认当前环境是否能正常调用 CUDA。

测试通过后，再继续后面的训练操作。

2.5 查看图片尺寸

在训练前，先确认输入图像大小，例如：

1

Image size: 1280 x 720

这一步的目的是帮助你后续合理设置 imgsz。

2.6 本地训练测试命令

本地测试可用如下命令：

1

yolo task=detect mode=train data=D:\Documents\code\python\yolo\datasets.yaml epochs=20 batch=1 model=D:\Documents\code\python\yolo\runs\detect\train\weights\best.pt device=0 imgsz=640 workers=2

说明：

  • epochs=20：本地测试训练轮数较少
  • batch=1：本地显存有限时更稳
  • device=0：使用第 0 张 GPU
  • workers=2：减少数据加载线程数，避免本地机器过载

本地训练通常只用于“跑通流程”，不建议作为正式训练环境。

3. 服务器环境配置

正式训练建议放到服务器上执行。

3.1 查看 GPU 状态

登录服务器后，先检查显卡状态：

1

nvidia-smi

如果能看到服务器 GPU 信息，说明环境基础正常。

3.2 创建环境并安装依赖 

1
2
3
4
5

conda create -n yolo python=3.11
conda activate yolo

pip3 install torch torchvision
pip install -U ultralytics

如果还要使用 TensorBoard，可提前安装：

1

pip install tensorboard

3.3 克隆项目

在服务器上将项目代码拉下来，或者把本地项目上传到服务器。

1
2

git clone <your-repo-url>
cd <your-project-dir>

如果不是 Git 仓库，也可以直接使用 scp 或其他方式上传项目目录。

4. 服务器训练

服务器训练命令如下：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14

yolo task=detect mode=train \
data=/home/jsh/yolo/datasets.yaml \
model=yolo11s.pt \
epochs=200 \
batch=32 \
imgsz=768 \
lr0=0.001 \
optimizer=adamw \
cos_lr=True \
device=0 \
patience=50 \
augment=True \
mosaic=1.0 mixup=0.2 \
workers=8

参数说明

  • data=/home/jsh/yolo/datasets.yaml：数据集配置文件
  • model=yolo11s.pt：预训练模型
  • epochs=200：训练 200 个 epoch
  • batch=32：批大小
  • imgsz=768：输入分辨率
  • lr0=0.001：初始学习率
  • optimizer=adamw：优化器
  • cos_lr=True：使用余弦学习率调度
  • patience=50：早停耐心值
  • augment=True：启用数据增强
  • mosaic=1.0 mixup=0.2：增强策略
  • workers=8：数据加载线程数

正式训练前，建议先确认：

  • 数据路径是否正确
  • 模型文件是否存在
  • 显存是否足够支持当前 batch 和 imgsz

5. TensorBoard 可视化

TensorBoard 的作用是远程查看训练日志，例如 loss、mAP、学习率变化等。

5.1 在服务器上安装 TensorBoard

登录服务器后执行：

1
2

conda activate yolo
conda install -n yolo -c conda-forge tensorboard -y

或者使用 pip：

1

pip install tensorboard

5.2 检查是否有事件文件 

1

ls -lh /home/jsh/yolo/runs/detect/train9

如果目录中存在 events.* 文件，说明 TensorBoard 日志已经生成。

如果没有事件文件，可能是训练时环境中还没有安装 TensorBoard。 此时可以触发一次验证或短训练来重新生成日志：

1

yolo task=detect mode=val data=/home/jsh/yolo/datasets.yaml model=/home/jsh/yolo/runs/detect/train9/weights/best.pt

5.3 在服务器上启动 TensorBoard

推荐使用 tmux 后台运行：

1
2

sudo apt install tmux
tmux new -s tb

在 tmux 会话中执行：

1
2

conda activate yolo
tensorboard --logdir /home/jsh/yolo/runs/detect/train9 --port 6006 --bind_all

然后按：

1

Ctrl-b d

将会话挂到后台。

5.4 检查 TensorBoard 是否已启动 

1
2

ps aux | grep tensorboard
ss -lntp | grep 6006

如果要停止 TensorBoard：

1

pkill -f tensorboard

5.5 在本地创建 SSH 隧道

在本地电脑执行：

1

ssh -L 6006:localhost:6006 jsh@192.168.0.214

保持这个终端不要关闭，然后在本地浏览器打开：

1

http://localhost:6006

这样就可以查看服务器上的 TensorBoard 页面。

5.6 一键启动方案

服务器端 

1
2

conda activate yolo
nohup tensorboard --logdir /home/jsh/yolo/runs/detect/train9 --port 6006 --bind_all > /home/jsh/tensorboard.log 2>&1 &

本地端 

1

ssh -f -N -L 6006:localhost:6006 jsh@192.168.0.214

然后浏览器访问：

1

http://localhost:6006

6. 在服务器上验证模型

训练完成后，可以在服务器上执行验证命令：

1

yolo task=detect mode=val data=/home/jsh/yolo/datasets.yaml model=/home/jsh/yolo/runs/detect/train10/weights/best.pt imgsz=768 batch=8

验证结果示例 

1
2
3
4
5
6
7

Ultralytics 8.3.230 🚀 Python-3.11.14 torch-2.9.1+cu128 CUDA:0 (NVIDIA GeForce RTX 3090 Ti, 24110MiB)
YOLO11s summary (fused): 100 layers, 9,414,348 parameters, 0 gradients, 21.3 GFLOPs
val: Fast image access ✅
...
all        449        722      0.983      0.988      0.993      0.972
...
Results saved to /home/jsh/yolo/runs/detect/val2

从结果中可以重点关注：

  • P：Precision
  • R：Recall
  • mAP50
  • mAP50-95

如果这些指标满足预期，说明模型效果较好。

7. 在服务器上执行预测

训练完成后，也可以对指定目录进行推理预测：

1
2
3
4
5
6
7

yolo task=detect mode=predict \
  model=/home/jsh/yolo/runs/detect/train10/weights/best.pt \
  source=/home/jsh/yolo/val \
  imgsz=1280 \
  conf=0.25 \
  device=0 \
  save=True

说明：

  • model：训练完成后的权重文件
  • source：待预测图片或目录
  • imgsz=1280：推理分辨率
  • conf=0.25：置信度阈值
  • save=True：保存推理结果

8. 将结果拷回本地

如果要把服务器上的训练结果下载到本地，可以使用：

1

scp -r jsh@192.168.0.214:/home/jsh/yolo/runs /mnt/d/Desktop/

说明：

  • scp -r：递归复制目录
  • /home/jsh/yolo/runs：服务器上的结果目录
  • /mnt/d/Desktop/：本地目标路径

如果是在 Windows PowerShell 中执行，建议确认目标路径写法是否与当前终端环境匹配。

9. 常见注意事项

9.1 本地和服务器不要混淆

这是最常见的问题。 建议始终明确：

  • D:\... 这类路径一般是本地 Windows 路径
  • /home/jsh/... 这类路径一般是服务器 Linux 路径

9.2 本地主要用于测试

本地环境更适合：

  • 测 GPU 是否可用
  • 测训练命令是否能跑通
  • 测数据集路径和配置文件是否正确

正式训练还是建议放到服务器上。

9.3 TensorBoard 需要事件文件

如果训练目录没有 events.* 文件，即使启动了 TensorBoard，页面里也不会有曲线。

9.4 端口转发终端不要随便关

如果你是通过：

1

ssh -L 6006:localhost:6006 jsh@192.168.0.214

建立端口转发，那么这个终端窗口关闭后，本地浏览器也就无法继续访问 TensorBoard。

9.5 验证和预测是两回事

  • mode=val：看模型在验证集上的指标
  • mode=predict：看模型对新图片或目录的实际推理效果

两者用途不同，不要混用。

总结

这篇文档的核心主线只有一句话：

本地负责环境验证，服务器负责正式训练，TensorBoard 负责远程可视化，训练完成后再做验证、预测和结果回传。

如果按这个顺序走，整个 YOLO 工作流会非常清楚：

  1. 本地测试
  2. 服务器训练
  3. TensorBoard 监控
  4. 模型验证
  5. 推理预测
  6. 下载结果

这样比把所有命令堆在一起更适合长期维护，也更适合发给别人直接照着做。

Google Colab Google Drive Yolov8 Training