我的研究方向是显著性目标检测，虽然对比目标检测来说，数据集和模型的尺寸已经降低很多了，然后我们实验室也有一台公用服务器，但是那台服务器好多人使用，每个人能分配到的容量就很小，而且有时候会宕机，IP地址也更换不停。

所以，为了跑计算机视觉方面的实验，我就去autodl官网自己租服务器，我个人感觉autodl还是比较好的，因为他是按时计费，然后有不同的GPU规格，可以适用不同的视觉任务，我比较多租用的是RTX 3080，一般一块就够我的模型跑了，但是之前跑目标检测任务，还有人体姿势检测方面的，就要租更高规格的GPU了，这个都可以按照自己的需要租用。然后这篇博客主要是记录一下自己怎么去云服务器申请环境跑代码。

一、创建环境

autodl的官网地址：Autodl
它的页面如下：

第一次使用的小伙伴可以注册，如果是学生还可以进行学生认证，这样租服务器有一定的优惠。
注册登录好之后，我们就可以开始租服务器了，点击控制台是我们使用较多的一个菜单，在这里你可以看到自己的容器实例，这里的实例就像一个Docker环境，我一般一个项目就租一个实例。

点击容器实例，点击上面的租用新实例

在这里你就可以根据自己的需要创建不同的实例，计费方式有四种，我一般是按量计费，然后地区选择北京A区，GPU数量选1，型号是RTX 3080Ti,然后下面会有一个镜像选择，你可以在之后的实验中创建一个自己的镜像，这样你后面也可以直接使用，也可以去社区看看有没有你要的镜像，我会选择基础镜像，然后选择Minniconda，这样我就可以使用conda命令创建我自己的环境。


上面全部选好以后就点立即创建，然后等一两分钟，你的容器实例就创建好了并且开机了，你可以直接打开JpyterLab，然后打开终端，如下页面：

我们下载的GitHub代码一般存放在/root/autodl-tmp文件夹下，刚开始我们在base环境下，我会使用conda命令创建一个虚拟环境，比如，我这次要跑的代码是《FCOS: Fully Convolutional One-Stage Object Detection》这篇论文的实验，那我就找到这篇论文的Github地址：FCOS
根据这里的readme文件一步一步去安装环境，

举例：
使用conda 命令：

conda create -n FCOS python=3.8

FCOS代表你的虚拟环境名称，然后后面是python版本。

创建好了虚拟环境之后，我就根据源代码的readme文件一步步安装，比如安装Pytorch，一些依赖包等等，这里我就不详细说明了，每个人的安装步骤这里应该不太一样。要注意因为你的依赖都安装在虚拟环境中，所以你每次跑代码都要在这个虚拟环境下跑，使用如下命令激活虚拟环境：

conda activate FCOS

建议大家跑代码都先创建一个虚拟环境，这样你就不会跟系统环境混乱了。

创建好虚拟环境之后，进入到autodl-tmp文件夹，使用git命令下载代码：

cd autodl-tmp
git clone https://github.com/tianzhi0549/FCOS.git

这里面的地址就是github上的https地址：

这样就可以把源代码下载到你的云服务器上，下面就可以开始跑代码啦。

二、关于数据集

我跑目标检测和姿势识别的时候，数据集一般都是COCO2017,这个数据集将近20G，针对如此大的数据集，autodl在社区会有公开数据集，这个页面也有说明如何使用公开数据，就是你记住它在实例中的位置，然后在你的代码中填上这个位置就可以了。

对于一些在官网公开数据中不存在的情况，你可以使用阿里云盘和autodl协助的方式，在容器实例开启之后，点击AutoPanel，会看到一个公网网盘选项


这里的网盘就是阿里云盘，阿里云盘传输速度很快，还不用开会员，如果新用户的话还会送你很大容量，学生还有额外的容量，所以免费的容量管够了，再结合autodl服务器我觉得特别好用，这样你把你的数据集从晚上下载下载上传到阿里云盘，然后在autodl服务器上传，上传速度也相当可以，你的权重文件，预训练模型，数据集都可以，默认上传到autodl-tmp文件夹下。

三、autodl服务器如何连接VS Code或者PyCharm

我们跑别人的代码，如果可以的话，应该还想改进他们的代码，但是在Autodl的JupyterLab改代码就不方便，因为不能调试，断点，所以要改代码我一般在VS Code 软件改，这里讲一下如何将Autodl 连接到VS Code。

首先你要下载这个Visual Studio Code软件，网上都有教程，下载好之后打开，点击扩展，要下载一个叫Remote Explorer插件

接着你下载好了之后，在VS Code左边点击这个远程服务器插件，点击ssh后面的加号，表示连接新的远程服务器，这时会出现一个SSH 连接命令，你就把autodl上你刚创建的服务器打开之后那个登录指令复制过去：

把登录指令复制到VS Code之后，会提示你选什么系统，选Linux，然后就要输入密码，密码在云服务器那个。可能要重复几次输入密码，直接复制就好了，这样你就在本地VS Code连接上了云服务器，你在VS Code修改的密码在云服务器也会同步了。

四、总结

上面就是如何在Autodl 云服务器创建环境，上传数据 、以及连接VS Code，还有更详细的文档在官网也可以找到。
然后我最近又发现了一个更省钱的方法，就是启智AI协作平台（启智）
启智平台有CPU,GPU和NPU，然后有算力积分可以免费获取，一块V100才2积分一小时，然后积分每天都可以领，具体可以去官网看看，反正就是不用花钱就能训练模型。因为我也用过其他的云服务，比如华为云的modelarts，那个太烧钱了。

启智平台呢，你可以创建不同的云脑任务，可以有训练、测试、推理等，但是它不可以连接本地VS Code，所以不好修改代码，而且训练云脑任务的时候，你也不能配环境，因为它直接就开始训练了，也没有终端。但是我发现它可以和autodl结合使用，

具体来说我会先在autodl把模型调通 ，就是确保代码运行训练的python文件时就能够直接训练了，只要能训练就好了，你不用让它一直训练，这个时候你就把你调通的代码上传到启智平台，然后在启智平台创建一个调试云脑任务，在调试的时候你创建好你的源代码所需要的依赖，环境等，然后保存下这个镜像。（这里非常关键，一定要保存成为你自己的私有镜像），这样你再去创建一个训练任务，在参数设置这里的镜像就选择你自己刚刚保存的，然后新建任务就可以直接训练啦，畅通无阻，还是免费的，有V100和A100两种GPU规格。