autodl跑yolo11

### 使用 AutoDL 平台训练或推理 YOLOv1 模型

#### 准备工作环境
为了在 AutoDL 上顺利运行 YOLOv1 的训练和推理，需先设置好 Python 虚拟环境以及安装必要的依赖库。确保已安装 PyTorch 和其他辅助工具。

conda create -n yolov1 python=3.8
conda activate yolov1
pip install torch torchvision torchaudio

#### 下载并配置 YOLOv1 项目
获取官方或其他可靠的 YOLOv1 实现版本，并按照说明文档完成本地化调整。通常情况下，GitHub 是寻找开源实现的好去处。

git clone https://github.com/your-repo/yolo-v1.git
cd yolo-v1
pip install -r requirements.txt

#### 数据集准备
根据所选数据集格式（如 COCO 或 VOC），准备好相应的标注文件和图片路径列表。对于自定义数据集，可能还需要编写转换脚本来适配 YOLOv1 所需的数据结构[^2]。

#### 修改配置文件
编辑 `config.py` 文件来指定网络参数、输入尺寸和其他超参数。注意要匹配 GPU/CPU 设备情况：

class Config(object):
    num_classes = 20
    image_size = 448
    cell_size = 7
    boxes_per_cell = 2
    alpha = 0.1
    
    object_scale = 1.0
    noobject_scale = 0.5
    class_scale = 1.0
    coord_scale = 5.0
    
    learning_rate = 0.0001
    decay_steps = 30000
    decay_rate = 0.1
    staircase = True

#### 开始训练过程
通过命令行启动训练程序，建议使用 CUDA 来加速计算效率。如果是在云端环境中，则应确认实例规格支持 GPU 运算资源分配[^3]。

CUDA_VISIBLE_DEVICES=0 python train.py \
    --data_dir=/path/to/dataset \
    --output_dir=./checkpoints \
    --batch_size=64 \
    --max_iter=160000 \
    --learning_rate=0.0001 \
    --momentum=0.9 \
    --weight_decay=0.0005

#### 测试与评估模型性能
当训练完成后，可以利用测试集验证最终效果。保存下来的 checkpoint 可供后续部署或进一步微调之用。

python evaluate.py \
    --checkpoint_path=./checkpoints/model.ckpt-<iteration> \
    --eval_dir=./evaluations \
    --data_set=test \
    --batch_size=64