背景

这篇文章应用场景是：想要基于瑞萨RA8P1上集成的Eshos-U55 NPU平台，自己基于数据集训练YOLO-Fastest模型。而我个人电脑没有Nvidia的独立显卡，无法调用CUDA进行训练，因此仅使用电脑CPU来跑的话，模型训练时间会特别久。

刚好有了解到Google Colab上有免费的GPU资源可以使用，因此就摸索着使用云端GPU资源来训练得到YOLO-Fastest模型，而后再在本地进行测试，最后部署到RA8P1 RT-Thread Titan Board开发板上。

这里搬运一段Gemini生成的介绍：

Google Colab（全称 Colaboratory）是 Google 提供的一款基于云端的 Python 开发环境。它允许用户直接在浏览器中编写和执行 Python 代码，而无需在本地进行任何复杂的环境配置。

其核心优势和特点包括：

• 免费使用算力资源：Colab 最大的吸引力在于为免费用户提供 T4 GPU 或 TPU 资源。这对于需要进行机器学习、深度学习训练但本地硬件配置不足的开发者来说非常友好。

• 零配置环境：它基于 Jupyter Notebook 格式，预装了大多数常用的数据科学和 AI 库（如 TensorFlow, PyTorch, Pandas），登录 Google 账号即可使用。

• Google Drive：代码和数据可以直接保存在 Google 云端硬盘 中，方便持久化存储和挂载数据集。

• 使用限制：虽然提供免费资源，但通常有12小时的连续运行限制。如果需要更长的后台运行时间或更高性能的显卡（如 A100/L4），可以选择 Colab Pro/Pro+ 订阅计划。 

Colab提供可以免费使用的NVIDIA® T4 GPU是专门用于云端服务器的GPU，它的INT8算力能够达到130 TOPS，当然也支持CUDA的API，还是很良心的。虽然说未订阅的话，Colab对于GPU资源也有使用限制，但是对于简单的YOLO模型训练来说，稍微省着点用还是足够的：

T4 GPU的DataSheet和参数可参考NVIDIA官网资料：https://www.nvidia.cn/content/dam/en-zz/Solutions/Data-Center/tesla-t4/t4-tensor-core-datasheet.pdf

                                        ​

准备工作

科学上网：访问Google Colab需要自行准备科学上网工具，当然还需要Google账号，不过多解释。Google Colab地址：https://colab.research.google.com/

模型：这里使用的是NetsPresso页面的YOLO-Fastest，这是已经在Arm Cortex-M85和Cortex-M55+Ethos-U55测试过的部署路径，刚好符合目标系统的资源：https://github.com/Nota-NetsPresso/ModelZoo-YOLOFastest-for-ARM-U55-M85

数据集：这里使用的数据集是Robofolw上的Driver Drowsiness Detection Computer Vision Model数据集，下载数据集时可以选择基于多种不同YOLO模型的格式。链接：https://universe.roboflow.com/tesi-jotog/driver-drowsiness-detection-7fvkf

当然，数据集的格式还是需要手动用Python脚本重新整理一下，会在后续的文章里详细介绍，这里就不过多展开。最终的数据集结构应该如下：

Your code structure should like

├── datasets
│    └── vehicleannotaitons
│         ├── images
│         └── annotations
│    
└── ModelZoo-YOLOFastest-for-ARM-U55-M85

上传数据集到Google Drive

由于Colab可以直接调用Google Drive的资源，我们可以提前先把修改好的数据集先上传上去，节约后面的服务器时长。

在根目录下创建了YoloTest文件夹，将之前的模型文件夹直接拖拽到页面上YoloTest目录就可以。

创建和配置Colab Page

选择新建笔记本，当然也可以打开默认的Demo，或者上传其他人的笔记本：

稍微等待十几秒后就进入到了新建的笔记本中，默认的笔记本是没有连接到云端资源的，可以在右上角选择连接。

点击查看资源可以看到当前使用的云端资源，默认的话是CPU服务器，有12G的RAM和100多G的存储。这里也会显示按照当前的资源，可以持续使用的时间。纯CPU的话可以使用地久一些，如果使用的是GPU资源那么就比较有限。

点击下方的蓝色图标，还可以调用内置的AI助手Gemini，和自家生态结合地还是比较好的。

点击“更改运行时类型”可以由CPU切换到T4 GPU，以及一个v5e-1 TPU，其他灰色的资源就需要付费了。

这里我的建议是：编辑/优化Python脚本、以及下载Github资源的时候先保持CPU，等到真正训练模型的时候再切换到GPU，该省省该花花：

这里在页面左侧点击文件夹图标，就可以将Google Drive网盘挂在到当前的Colab页面。

我们刚刚上一步新建的目录就在content/drive/MyDrive/YoloTest路径下：

YOLO-Fastest模型训练

在中间的Notebook中添加以下命令，进入到我们的目录中：

cd /content/drive/MyDrive/YoloTest/

而后git clone YOLO-Fastest工程，并安装相关的依赖文件。

需要注意，Colab命令运行git或者python命令前面要添加一个叹号!才能正常运行：

!git clone https://github.com/Nota-NetsPresso/ModelZoo-YOLOFastest-for-ARM-U55-M85.git

cd ModelZoo-YOLOFastest-for-ARM-U55-M85

pip install -r requirements.txt

而后为了运行方便，我将数据集搬运到了ModelZoo-YOLOFastest-for-ARM-U55-M85目录下的mydata路径。

而后运行训练train.python脚本，注意配置cfg为对应的数据集路径。参考配置项如下，这里配置了-imgsz为320，epochs迭代次数为800，输出路径为run文件夹：

!python train.py \
  --data ./mydata/data.yaml \
  --cfg ./models/yolo-fastest.yaml \
  --weights "" \
  --imgsz 320 \
  --batch-size 64 \
  --epochs 800 \
  --device 0 \
  --workers 4 \
  --project .\runs \
  --name DriveDrowsiness \
  --exist-ok \
  --noplots

在脚本下方会实时的输出运行日志输出项。大概等待了一个多小时，就可以看到在epoch接近近500时就自动停止了，原因是模型性能在最近的100个epoch内没有显著提升，触发了“EarlyStopping ”机制，可以通过添加“—patience xxx”命令来调整训练的patience：

Stopping training early as no improvement observed in last 100 epochs. Best results observed at epoch 394, best model saved as best.pt.

To update EarlyStopping (patience=100) pass a new patience value, i.e. ‘python train.py —patience 300’ or use ‘—patience 0' to disable EarlyStopping.

训练完成后，可以在Google Drive的模型路径下找到训练好的权重文件，选择使用最优的权重系数：best.pt，可以直接下载到本地。

本地Detect测试模型文件

首先也在本地安装相应的Python依赖文件，和上面的内容基本类似。

需要注意的是Python版本有要求：需要Python 3.10才能支持Pytorch <2.0。

而后将.pt文件下载到模型路径中，修改detect.py文件，将本地的目录添加到对应路径中。本地直接运行检测命令，会调用训练好的模型.pt文件，将对应--source目录下的图片全部检测一遍：

python detect.py --weights runs/DriveDrowsiness/weights/best.pt --source mydata/test/images/

本地detece结束后，会在.\runs\detect\exp目录中，生成测试结果如下，可以框选出目标，并标注出对应的置信度：​

总结

以上就是使用Google Colab训练模型的大致流程。使用云端GPU资源可以摆脱本地GPU资源的限制，可以直接在云端拉取代码进行训练操作。而且Colab还支持挂载Google Drive，模型训练过程中的一些文件也可以及时保存，就算服务器资源过期也不会影响，还是比较方便的。