上一篇我们讲到使用Labelimg标注数据集，来为后续的模型训练进行准备。首先我们先来讲讲准备数据集的必要性，对机器学习方面感兴趣的同学可以看一看。

一、机器学习是什么？

机器学习，顾名思义，就是让机器有和人类一样学习的能力。从图灵提出的图灵机模型，到罗森·布拉特的多层感知机（MLP），再到杰弗里·辛顿提出的深度学习……人工智能目前在向着生物学的路途快步进展，并在当今取得了瞩目的成效，无不围绕着机器学习这一大主题。

1.1 机器是如何学习的？

大家学过生物的，都知道生物的脑内有神经元细胞吧？从我们人类来讲，学习的过程就是脑内各个神经元细胞之间进行联系、交流、传输信号的过程。也许一个简单的事情，我们用一小部分神经元就能学好，但面对一个庞大的学习体系，我们可能需要很多神经元细胞。机器学习也是在模仿这样的过程。

机器的“神经元”是一个拥有输入、输出的处理模块。如下图所示（被我改的有点乱了）。输入的是特征的值，输入的是处理后的结果。

我们举一个比较形象的例子。对于某地的房屋，我们要根据它的一些信息预测价格。假设我们已经知道房屋的三个特征：占地面积、到市中心距离、周平均噪声，以及房屋的总价。我们再假设有一个线性的函数关系，可以根据这些特征求得价格，且这个函数是：

那么机器学习的目的，就是根据已有的信息，来确定w1、w2、w3的大小。再具体一点，就是下图这个样子，我们把已有的信息放入其中：

我们把已知房屋的信息放入这个神经元中。一开始，机器什么都不知道，w1、w2、w3的参数是随机设定的，所以我们很难得到正确结果，但我们可以知道的是，得到的结果和正确的结果之间的差距。那么机器就可以根据差距，来调整w1、w2、w3的大小，直到机器可以得到（近似的）正确结果。

当然，机器能知道的信息越多，参考的来源就越多，学到的东西就越多。相反，如果只有几个信息可供参考，甚至其中有错误的信息，那么机器便不会学到很好的效果。最终，机器就学成了如何根据这些信息来预估房屋的价格。

综上所述，我们已经知道的房屋信息，就是训练的数据集。由此可以看出，数据集的数量、质量，都会影响到模型训练的结果。所以要做好机器学习，训练模型，我们就要准备足够多的高质量数据集。

还是不太懂的话，建议在B站搜索“吴恩达机器学习2024”的课程，吴老师的课程讲得十分的详细和透彻。

二、在OpenBayes建立环境

OpenBayes是一个在线运行代码的平台，而其具有大量的算力，可以供大众在一定的花费下，接触到高算力的运行平台。（我在胡言乱语什么）

总之本项目的运行基于OpenBayes，但不说明无法在其他平台运行。相比之下我认为用OpenBayes训练模型更省时间一点。

注册后，我们进入OpenBayes的个人页面，在模型训练中，选择创建新容器（我这里已经创建过了，所以入口可能不太一样）：

填写容器的名称、备注后，选择工作空间作为接入方式，然后点击下一步：选择算力。

我们选择白嫖到一小时的RTX4090环境，以及PyTorch镜像，然后选择下一步：审核。（我的负可用余额瞩目），然后检查一遍，没有问题我们就直接选择执行：

执行后，跳转到了你的容器页面。容器里包含你的执行，等待资源分配后我们便得到以下页面：

注意！执行启动后是在后台一直运行的！和你使用主机的状态是无关的！你主机关机后，这里的执行还是会运行的！所以在确定不使用后，一定要及时停止执行！

主要使用的三个地方：执行的状态、打开工作空间和停止。我们打开工作空间看看里面都有什么：

对使用JupyterLab的同学可能会感觉很熟悉。是的，这就是JupyterLab的工作空间。

OpenBayes的工作空间是基于Linux系统的，我们要有一些简单的Linux操作基础。在工作区中打开“终端”：

在终端中输入以下内容，下载YOLOv5：

git clone https://github.com/ultralytics/yolov5.git

下载完成后，我们看到文件管理区域内出现了yolov5文件夹，说明我们成功下载了yolov5。下面为yolov5配置Python环境。

首先输入以下代码，改变路径至yolov5文件夹内（我们的基础路径在home）：

cd ./yolov5

我们注意到，yolov5文件夹内有一个requirements.txt，里面包含了部署yolov5的Python环境必备的库。我们使用以下指令来安装这些库（其他有requirements.txt的开源项目，也是可以用这种方法快速配置库）：

pip install -r requirements.txt

之后等待下载完成。

至此，我们成功在OpenBayes启动了RTX4090的执行，并部署了YOLOv5的环境和程序，为后续YOLOv5的模型训练提供了平台基础。

别忘记停止执行！