在阿里云ECS上从零部署YOLOv5：用Conda虚拟环境避坑与训练单类别数据集

云端AI模型训练正成为开发者标配，但第一次在云服务器上部署YOLOv5时，90%的人都会在虚拟环境配置、数据集适配环节踩坑。本文将手把手带你在阿里云ECS上搭建生产级单类别检测系统，特别针对云环境特有的网络配置、无GUI操作等痛点设计解决方案。

1. 云端环境准备：比本地更复杂的开局

刚拿到阿里云ECS实例时，纯净的Linux系统往往隐藏着诸多依赖陷阱。我们选择Miniconda作为环境管理器而非系统Python，既能隔离项目依赖，又避免因权限问题破坏系统环境。

1.1 解决云端网络配置难题

首次执行wget下载Miniconda安装脚本时，大概率会遇到域名解析失败：

bash复制wget -c https://repo.continuum.io/miniconda/Miniconda3-latest-Linux-x86_64.sh
# 报错：unable to resolve host address 'repo.continuum.io'

云服务器特殊处理方案：

1. 修改DNS配置：

   bash复制sudo vim /etc/resolv.conf
   # 添加以下nameserver（阿里云内网DNS+Google公共DNS）
   nameserver 100.100.2.136
   nameserver 8.8.8.8
   

2. 测试网络连通性：

   bash复制ping repo.continuum.io
   

提示：阿里云经典网络与VPC网络使用的DNS不同，若上述配置无效，可在控制台查看当前ECS实例的专属DNS服务器地址。

1.2 Conda安装的云环境适配

执行安装脚本时需特别注意：

bash复制chmod +x Miniconda3-latest-Linux-x86_64.sh
./Miniconda3-latest-Linux-x86_64.sh

关键选择点：

• 安装路径建议设为/home/username/miniconda3而非默认路径
• 询问"Initialize Miniconda3?"时选择no，避免影响系统级Python
• 手动添加环境变量更可控：

  bash复制echo 'export PATH="/home/username/miniconda3/bin:$PATH"' >> ~/.bashrc
  source ~/.bashrc
  

验证安装成功的正确姿势：

bash复制conda --version
# 应输出类似：conda 23.11.0

2. YOLOv5云端部署实战

2.1 创建专属虚拟环境

针对YOLOv5推荐使用Python 3.8（兼容性比3.7更好）：

bash复制conda create -n yolov5_cloud python=3.8
conda activate yolov5_cloud

云环境特有依赖：

bash复制conda install -c conda-forge libgl1
pip install opencv-python-headless  # 无GUI环境必须用headless版本

2.2 源码下载与权重获取

使用Git时注意云服务器可能存在的端口限制：

bash复制git clone https://github.com/ultralytics/yolov5 --depth 1
cd yolov5

下载预训练权重的两种云适配方案：

注意：若出现ModuleNotFoundError: No module named 'utils.google_utils'，需在项目根目录执行下载命令

3. 单类别数据集专项处理

3.1 数据集目录结构设计

针对"仅识别人体"的需求，推荐以下结构：

code复制mydataset/
├── images/
│   ├── train/
│   └── val/
└── labels/
    ├── train/
    └── val/

标注工具云端适配方案：

1. 本地标注：在Windows/Mac用LabelImg标注后上传
2. 云端标注：安装无GUI版本：

   bash复制pip install labelImg -i https://pypi.tuna.tsinghua.edu.cn/simple
   nohup labelImg >/dev/null 2>&1 &  # 后台运行
   

3.2 配置文件深度定制

创建person.yaml数据集配置文件：

yaml复制# 单类别配置示例
train: ../mydataset/images/train
val: ../mydataset/images/val

nc: 1  # 类别数
names: ['person']  # 类别名称

修改模型配置文件yolov5s.yaml：

yaml复制# 关键修改点
nc: 1  # 与数据集类别数一致
anchors:  # 单类别可优化锚框
  - [10,13, 16,30, 33,23]  
  - [30,61, 62,45, 59,119]
  - [116,90, 156,198, 373,326]

4. 云端训练优化策略

4.1 训练命令参数调优

针对阿里云常见配置（如8核32GB）：

bash复制python train.py \
--data person.yaml \
--cfg yolov5s.yaml \
--weights yolov5s.pt \
--epochs 50 \
--batch-size 64 \
--img 640 \
--device 0  # 单卡训练

关键参数云适配：

• --batch-size：根据GPU显存调整（可用nvidia-smi监控）
• --workers 4：通常设为CPU核心数的1/2
• --cache ram：利用云服务器大内存加速数据加载

4.2 训练监控与故障恢复

无GUI可视化方案：

1. 使用TensorBoard：

   bash复制tensorboard --logdir runs/train --bind_all
   # 通过ECS安全组开放6006端口访问
   

2. 阿里云日志服务：

   bash复制tail -f runs/train/exp/results.txt
   

训练中断恢复技巧：

bash复制python train.py --resume runs/train/exp/weights/last.pt

5. 模型部署与性能压测

5.1 导出生产可用模型

推荐导出TorchScript格式：

bash复制python export.py \
--weights runs/train/exp/weights/best.pt \
--include torchscript \
--img 640 \
--optimize

5.2 云端推理性能测试

使用detect.py进行压力测试：

bash复制python detect.py \
--weights best.torchscript \
--source test_video.mp4 \
--conf-thres 0.5 \
--max-det 100 \
--device 0

性能优化参数对照表：

在阿里云gn7i实例（T4 GPU）上的典型表现：

• 640x640分辨率：~120FPS
• 1280x1280分辨率：~45FPS