使用腾讯云高性能空间部署YOLOv11训练模型

背景

公司为传统工业互联网，内部基础零件较多，手动区分筛选费时费力，故而要采用视觉模型来自动标注与区分。本人Java开发，对于Python语言了解不多，且大模型基本上对性能要求很高，由于电脑配置本身，很难训练模型，所以采用腾讯高性能空间来学习。

环境部署

因为高性能空间本身部署了Python以及conda等基础服务，所以只需要配置yolo服务对应的组件即可。
1.PyTorch：-官方地址:https://pytorch.org/ 一定要选择和显卡型号对应的CUDA版本，没有英伟达的显卡，可以选择安装CPU版本。
2.labelImg:模型标注工具，可直接pip安装。
3.项目源码：https://github.com/ultralytics/ultralytics，解压源码后再按照要求补充环境依赖。我是直接在项目本地根目录下创建了一个requirements.txt依赖文件。

# Ultralytics requirements
# Example: pip install -r requirements.txt

# Base ----------------------------------------
matplotlib>=3.3.0
numpy==1.24.4 # pinned by Snyk to avoid a vulnerability
opencv-python>=4.6.0
pillow>=7.1.2
pyyaml>=5.3.1
requests>=2.23.0
scipy>=1.4.1
tqdm>=4.64.0

# Logging -------------------------------------
# tensorboard>=2.13.0
# dvclive>=2.12.0
# clearml
# comet

# Plotting ------------------------------------
pandas>=1.1.4
seaborn>=0.11.0

# Export --------------------------------------
# coremltools>=7.0  # CoreML export
# onnx>=1.12.0  # ONNX export
# onnxsim>=0.4.1  # ONNX simplifier
# nvidia-pyindex  # TensorRT export
# nvidia-tensorrt  # TensorRT export
# scikit-learn==0.19.2  # CoreML quantization
# tensorflow>=2.4.1  # TF exports (-cpu, -aarch64, -macos)
# tflite-support
# tensorflowjs>=3.9.0  # TF.js export
# openvino-dev>=2023.0  # OpenVINO export

# Extras --------------------------------------
psutil  # system utilization
py-cpuinfo  # display CPU info
thop>=0.1.1  # FLOPs computation
# ipython  # interactive notebook
# albumentations>=1.0.3  # training augmentations
# pycocotools>=2.0.6  # COCO mAP
# roboflow

数据准备

1.在安装好labelimg后，使用命令（labelImg）将其打开，进行数据标注，可参考：https://blog.youkuaiyun.com/ChaoChao66666/article/details/129129621 。数据标注好之后，一定要按照图片和标签区分开，并文件名称除后缀外其他都一致。在项目目录下创建训练基础数据和标注的文件夹，我创建的是data/images和data/labels，后面需要使用。
2.数据切分：在项目根目录下创建Python脚本文件，我定义的是main.py。如下：

# 将图片和标注数据按比例切分为 训练集和测试集
import shutil
import random
import os

# 原始路径
image_original_path = "data/images/"
label_original_path = "data/labels/"

cur_path = os.getcwd()
# 训练集路径
train_image_path = os.path.join(cur_path, "datasets/images/train/")
train_label_path = os.path.join(cur_path, "datasets/labels/train/")

# 验证集路径
val_image_path = os.path.join(cur_path, "datasets/images/val/")
val_label_path = os