YOLO-v5镜像使用全攻略：Jupyter+SSH两种方式轻松上手
YOLO-v5镜像使用全攻略：Jupyter+SSH两种方式轻松上手
1. 引言
1.1 YOLO-v5镜像简介
YOLO（You Only Look Once）是一种广泛应用于目标检测任务的深度学习模型，由华盛顿大学的Joseph Redmon和Ali Farhadi开发。YOLO-v5是该系列的最新版本之一，以其高速和高精度而广受欢迎。
CSDN星图平台提供的YOLO-v5镜像已经预装了完整的开发环境，包括：
- PyTorch深度学习框架
- YOLOv5专用工具库
- Jupyter Notebook开发环境
- OpenCV等常用计算机视觉库
这个镜像可以帮助开发者快速搭建YOLO-v5开发环境，无需繁琐的配置过程，真正做到开箱即用。
1.2 为什么选择这个镜像
使用预构建的YOLO-v5镜像有以下几个优势：
- 节省时间：无需手动安装和配置各种依赖
- 环境一致：避免因环境差异导致的问题
- 即开即用：支持Jupyter和SSH两种使用方式
- 性能优化：已经针对GPU加速进行了优化配置
2. 通过Jupyter Notebook使用YOLO-v5镜像
2.1 启动Jupyter环境
- 登录CSDN星图平台
- 找到YOLO-v5镜像并选择"启动Jupyter"选项
- 等待实例启动完成后，点击提供的链接进入Jupyter界面
2.2 基本操作指南
进入Jupyter界面后，你会看到一个标准的文件浏览器界面。镜像已经预装了YOLOv5的代码库和相关示例。
- 导航到
/root/yolov5目录 - 点击"New"按钮创建一个新的Python 3 Notebook
- 在单元格中输入代码并执行
2.3 运行第一个YOLO-v5示例
在新建的Notebook中，输入并执行以下代码来测试YOLO-v5的基本功能：
import torch # 加载YOLOv5模型（可选模型：yolov5n, yolov5s, yolov5m, yolov5l, yolov5x） model = torch.hub.load("ultralytics/yolov5", "yolov5s") # 默认使用yolov5s # 定义输入图像源（可以是URL、本地文件、PIL图像、OpenCV帧、numpy数组等） img = "https://ultralytics.com/images/zidane.jpg" # 示例图片 # 执行推理（自动处理批处理、调整大小、归一化等） results = model(img) # 处理结果（可选方法：.print(), .show(), .save(), .crop(), .pandas()） results.print() # 打印结果到控制台 results.show() # 在窗口中显示结果 results.save() # 保存结果到runs/detect/exp目录这段代码会：
- 加载预训练的YOLOv5s模型
- 从网络下载示例图片
- 执行目标检测
- 显示并保存检测结果
3. 通过SSH连接使用YOLO-v5镜像
3.1 获取SSH连接信息
- 在CSDN星图平台选择YOLO-v5镜像
- 点击"SSH连接"选项
- 记录提供的IP地址、端口号和登录凭证
3.2 连接到远程服务器
使用你喜欢的SSH客户端（如Terminal、PuTTY等）连接到服务器：
ssh root@<服务器IP> -p <端口号>输入密码后，你将进入一个Linux终端环境。
3.3 运行YOLO-v5示例
连接到服务器后，执行以下步骤：
- 进入YOLOv5项目目录：
cd /root/yolov5/- 创建一个Python脚本（如
demo.py）并输入以下内容：
import torch # 加载模型 model = torch.hub.load("ultralytics/yolov5", "yolov5s") # 使用示例图片 img = "https://ultralytics.com/images/zidane.jpg" # 执行推理 results = model(img) # 打印结果 results.print() results.save() # 结果会保存在runs/detect/exp目录- 运行脚本：
python demo.py4. YOLO-v5镜像进阶使用
4.1 使用自定义数据集
要使用自己的数据集进行训练或推理，你可以：
- 通过Jupyter上传文件
- 使用SCP命令通过SSH传输文件
- 直接从网络下载数据集
示例SCP命令：
scp -P <端口号> /本地/路径/到/数据集 root@<服务器IP>:/root/yolov5/data/4.2 训练自定义模型
YOLO-v5镜像已经包含了训练脚本。要训练自定义模型：
- 准备数据集（遵循YOLOv5的数据格式要求）
- 创建或修改数据配置文件
- 运行训练命令：
python train.py --img 640 --batch 16 --epochs 50 --data data/custom.yaml --weights yolov5s.pt4.3 模型导出与部署
YOLO-v5支持将模型导出为多种格式：
# 导出为TorchScript model.export(format='torchscript') # 导出为ONNX model.export(format='onnx') # 导出为CoreML model.export(format='coreml')5. 常见问题解答
5.1 连接问题
Q: 无法连接到Jupyter或SSHA: 检查网络连接，确认IP和端口正确，确保实例正在运行。
5.2 环境问题
Q: 缺少某些Python包A: 镜像已经预装了所有必要依赖，如需额外包，可以通过pip安装：
pip install 包名5.3 性能问题
Q: 推理速度慢A: 确保使用了GPU加速，可以检查CUDA是否可用：
import torch print(torch.cuda.is_available())6. 总结
6.1 关键要点回顾
本文详细介绍了如何使用CSDN星图平台的YOLO-v5镜像，包括：
- 通过Jupyter Notebook的交互式使用方法
- 通过SSH连接的命令行操作方式
- 运行YOLOv5示例代码的完整流程
- 进阶使用技巧和常见问题解决方法
6.2 下一步建议
为了进一步掌握YOLO-v5：
- 尝试使用自己的图片进行目标检测
- 探索不同的模型大小（yolov5n到yolov5x）的性能差异
- 学习如何在自己的数据集上训练自定义模型
- 研究模型导出和部署到生产环境的方法
获取更多AI镜像
想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。