开始使用

安全组规则修改（可选）

• 该解决方案默认不创建8001端口的安全组规则（此端口通常用来访问Yolo平台），如有需要，请参考修改安全组规则，配置IP地址白名单，以免暴露端口到公网
• 该解决方案使用22端口用来以SSH方式远程登录云服务器，默认对Cloud Shell 登录公网IP 119.8.185.245/32放开，请参考修改安全组规则，配置IP地址白名单，以免暴露端口到公网。
• 该解决方案部署成功后，环境初始化预计10-15分钟，受网络、带宽影响，部署时间会有波动部署完成之后方可正常访问。

安全组实际是网络流量访问策略，包括网络流量入方向规则和出方向规则，通过这些规则为安全组内具有相同保护需求并且相互信任的云服务器、云容器、云数据库等实例提供安全保护。

如果您的实例关联的安全组策略无法满足使用需求，比如需要添加、修改、删除某个TCP端口，请参考以下内容进行修改。

• 添加安全组规则：根据业务使用需求需要开放某个TCP端口，请参考添加安全组规则添加入方向规则，打开指定的TCP端口。
• 修改安全组规则：安全组规则设置不当会造成严重的安全隐患。您可以参考修改安全组规则，来修改安全组中不合理的规则，保证云服务器等实例的网络安全。
• 删除安全组规则：当安全组规则入方向、出方向源地址/目的地址有变化时，或者不需要开放某个端口时，您可以参考删除安全组规则进行安全组规则删除。

访问并登录

浏览器输入YOLO视觉模型训练平台公网IP:8001进入到登录页面，输入初始账号信息进行登录。服务器公网IP可以参考一键部署（快速选购）步骤10获取。

图1 系统登录

在线标注

• 创建标注项目：支持从系统数据集、本地上传图片压缩包（ZIP）自动解压（自动识别图片数量）、选择服务器目录方式导入需标注图片
• 合并标注项目：相同类型的标注项目可以进行合并
• AI自动标注：支持通过已经上传到系统的模型进行自动标注，支持修改所标注模型的类别（不可修改顺序）
• 导出：支持直接导出为系统数据集（可直接用于训练），导出标签文件（不带原图片）
  图2 在线标注列表页
  
  图3 标注页面
  
  图4 修改标签类别
  
  图5 AI自动标注
  
  图6 导出数据集
  

数据集管理

• 上传功能：支持上传 YOLO 格式的数据集（ZIP 压缩包），自动解压并验证数据集结构 （自动识别类别数量和图片数量及类别）
• 直接导入功能：支持在固定目录直接导入数据集文件，具备验证数据集结构功能 （自动识别类别数量和图片数量及类别）
• 分割功能：支持对已上传的数据集进行比例分割，自动调整数据集内容
• 数据集列表：查看所有上传的数据集，包括名称、描述、类别数量和图像数量
• 数据集删除：删除不再需要的数据集，自动验证数据集是否被训练任务使用，如被使用则无法删除
  图7 数据集列表页
  
  图8 上传zip数据集
  
  图9 导入服务器数据集
  
  图10 分割数据集
  

模型管理

• 上传功能：支持上传预训练的 YOLO模型以及训练后的模型（.pt 文件）
• 模型列表：查看所有可用的模型，包括预训练模型和训练生成的模型
• 转换onnx：解决PyTorch模型（.pt）的跨框架/跨平台部署问题
• 查看结构：YOLO目标检测模型的结构、参数、可剪枝模块的全面梳理
• 模型释放：解除模型与所有检测任务的关联，使其可以被删除
• 模型删除：删除不再需要的模型，自动验证模型是否正在被训练任务使用，如被使用则无法删除
  图11 模型列表页
  
  图12 添加模型
  
  图13 加载预置模型
  
  图14 查看模型结构
  

训练管理

• 创建训练任务：选择数据集、预训练模型和训练参数
• 训练参数配置：配置批次大小、学习率、训练轮数和图像大小等参数
• 硬件资源配置：配置 CPU、GPU 和内存使用限制
• 训练监控：实时监控训练进度，包括损失曲线和指标
• TensorBoard 集成：通过 TensorBoard 可视化训练过程
• 训练管理：查看、暂停和取消训练任务

图15 训练管理列表页

图16 创建训练任务

图17 训练日志

图18 TensorBoard 可视化训练过程

模型测试

• 图像检测：上传图像并使用选定的模型进行目标检测
• 检测参数配置：配置置信度阈值、IoU 阈值和类别过滤等参数
• 结果可视化：显示检测结果，包括边界框、类别标签和置信度

图19 检测参数配置

图20 检测结果

系统监控

• 实时监控系统资源使用情况

图21 系统监控

用户管理

• 可以进行用户添加、编辑与删除

图22 用户管理页