目录
前言
登录服务器
安装pyhton
部署yolov8
安装Pytorch
下载权重文件
训练模型
前言
前几期我们在云耀云服务器L实例上分别使用docker和直接在centos上部署了yolov5识别API，前端项目vue，后端项目.net Core Web Api,但是从监控图上来看，都没什么压力，调用接口也很流畅。
在实例介绍中看到，华为云擎天架构加持，软硬协同结合顶尖AI算法智能调度。于是有了一个疯狂的想法，这期我们给服务器来点压力，[坏笑!]，这期我们要在服务器上部署yolov8进行AI模型训练。
YOLOv8 发布于2023 年 1月 10 号，是 ultralytics 公司在 开源的 YOLOv5 的下一个重大更新版本，是一种尖端的、最先进的 （SOTA） 模型
登录服务器
因为要训练AI模型，我们要处理图片，查看图片效果，方便起见，这次服务器我选择了系统镜像Windows Server
拿到服务器，第一步还是要重置密码，在控制台，找到对应的服务器，点击操作列的更多、重置密码。
记得一定要勾选自动重启，这样我们的密码才能立马生效！
然后我们有两种方式来登录，的一种是直接点击操作列的远程登录，在其他方式这里，点击立即登录来使用控制台提供的VNC方式登录！
或者快捷键Win + R ，在弹出的页面中输入 mstsc，确定！
然后在弹出的远程桌面连接中，输入我们服务器的弹性IP
然后在验证界面，点击下面的更多选择，选择其他账户
用户名：Administrator 密码：刚刚重置密码时你设置的密码
弹出的无法验证身份，点击是 ！
然后就连上我们的服务器了，桌面非常干净，只有一个回收站！
安装pyhton
因为服务器上什么环境都没有，我们先来安装python3，在官网随便下一个大于大于3.8的python安装包，选择amd64的exe版本，安装的时候勾选最底下的帮我们添加环境变量
等待一会之后，出现下面这个界面就是安装成功了。
打开控制台，执行 python -V 和 pip -V ，看看我们的环境变量是否设置成功。
部署yolov8
去官网将yolov8的源码下载下来
ultralytics/ultralytics: NEW - YOLOv8 🚀 in PyTorch > ONNX > OpenVINO > CoreML > TFLite (github.com)
安装项目依赖
pip install ultralytics
pip install yolo
速度慢的话换国内镜像，在命令后面加上
-i https://pypi.tuna.tsinghua.edu.cn/simple numpy安装Pytorch
到官网安装Pytorch
Start Locally | PyTorch
在安装之前看看自己买的服务器是否有GPU，可以使用命令来查看
- 查看CPU型号：cat /proc/cpuinfo | grep "model name"
- 查看GPU型号（Nvidia GPU）：nvidia-smi --query-gpu=gpu_name --format=csv
- 查看GPU型号（AMD Radeon GPU）：sudo lshw -C display
因为我这台是只有CPU的，因此在官网中选择Stable(稳定版)，系统Linux，用pip来安装吧，然后Compute Platform选择CPU，然后把Run this Command:中的命令👇丢到服务器上去执行
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu
下载权重文件
因为项目没有权重文件，跑命令的时候他会自己去官网下载权重文件，但是因为是从github上下载，太慢了，我选择自己下好再拉到服务器上。
在yolo中有几种识别模式，因为我们目的只是测试服务器性能，所以我们选择Classify，图像分类模型，他的素材比较好整理。
去到官网，找到下图中的模型表，点击model列的模型名字，就会自动下载了，然后丢到我们项目的根目录，不同的模型，识别的速度，目标大小，准确度都不一样，并且对电脑性能的要求也不一样，在官网中都有详细介绍。这里我测试使用的是yolov8s-cls
ultralytics/ultralytics: NEW - YOLOv8 🚀 in PyTorch > ONNX > OpenVINO > CoreML > TFLite (github.com)
项目部署好了，模型有了，接下来就差数据集了，像下图中这种格式，我们只需要以类名称为文件夹，然后在统一放到一个大文件夹下面就好了，因为分类识别只需要识别出这个图片是什么，而不需要知道具体在什么位置，因此不需要进行标注，所以他的数据集是最简单的，这也是为什么我选择这个模型在这里做演示。
训练模型
然后我们执行命令来开始训练模型了。
yolo detect train data=你放数据集的路径 model=yolov8s-cls.pt epochs=100 imgsz=640
执行完发现报了下图的错，缺少msvc-runtime库，使用下面命令安装
pip install msvc-runtime
然后再执行一次识别命令，可以看到大概1分钟一轮，
看一下性能监视器，我只能说，遥遥领先！说实话我一开始觉得他会直接宕机的，每想到居然可以一分钟一轮的训练，这已经是很好的成绩了
换成最大的模型再试一次，服务器没有死撑，把任务停掉了，控制台打印内存不足，意料之中，不过能带的动s模型已经很不错了。
再看一下控制台的监控，我们刚刚在训练s模型的过程中，虽然波动有点大，但是对服务器来说还不算构成太大压力。
