YOLOv5 SSH远程部署教程：云服务器接入详细步骤

1. 引言：为什么需要远程部署YOLOv5？

如果你正在学习或使用YOLOv5进行目标检测，可能会遇到一个很实际的问题：自己的电脑性能不够。训练模型时显卡太慢，跑推理时内存不足，或者想随时随地访问自己的开发环境——这些都是本地部署的痛点。

这时候，云服务器就成了一个绝佳的解决方案。把YOLOv5部署到云端，你可以获得更强大的计算资源，还能通过SSH随时随地连接操作，就像在本地一样方便。更重要的是，很多云服务商提供按需付费的模式，用多少算多少，成本可控。

本文将手把手教你如何通过SSH远程部署YOLOv5到云服务器。我会用最直白的方式，从零开始带你完成整个流程，即使你是第一次接触云服务器和SSH，也能跟着一步步做下来。

2. 准备工作：你需要什么？

在开始之前，我们先看看需要准备哪些东西。其实很简单，就三样：

2.1 云服务器选择

你需要一台云服务器。现在市面上选择很多，比如阿里云、腾讯云、华为云等。对于YOLOv5来说，我建议选择这样的配置：

• CPU：至少2核
• 内存：至少4GB（8GB更佳）
• 硬盘：至少20GB
• 操作系统：Ubuntu 20.04或22.04（最常用，社区支持好）
• GPU：可选。如果有训练需求，建议选择带GPU的实例；如果只是推理，CPU也够用

如果你是学生，很多云服务商都有学生优惠，价格很划算。第一次使用的话，建议先买个按量付费的实例试试水。

2.2 SSH客户端安装

SSH（Secure Shell）是远程连接服务器的工具。不同操作系统有不同的SSH客户端：

• Windows用户：推荐安装Git Bash（自带SSH）或者使用Windows Terminal
• macOS/Linux用户：系统自带SSH，直接在终端里用就行

2.3 了解YOLOv5镜像

本文使用的是预置的YOLOv5镜像，它已经帮你做好了这些事：

• 预装了PyTorch深度学习框架
• 集成了YOLOv5的完整代码库
• 配置好了Python环境
• 安装了常用的计算机视觉库

这意味着你不需要自己从头配置环境，省去了很多麻烦。

3. 第一步：获取并启动YOLOv5镜像

3.1 找到YOLOv5镜像

首先，你需要找到YOLOv5的预置镜像。不同的云平台可能有不同的入口，一般可以在“镜像市场”、“应用镜像”或“容器服务”中找到。

以常见的云平台为例，搜索“YOLOv5”应该就能找到对应的镜像。选择最新版本，确保功能完整。

3.2 启动云服务器实例

找到镜像后，按照以下步骤创建实例：

1. 选择镜像：在创建实例时，选择“从镜像市场选择”，然后找到YOLOv5镜像
2. 配置实例：根据你的需求选择CPU、内存、硬盘大小
3. 设置网络：确保开放SSH端口（默认是22端口）
4. 设置登录方式：选择密码登录或密钥对登录（建议密钥对，更安全）
5. 完成创建：等待几分钟，实例就会启动完成

创建成功后，你会获得两个重要信息：

• 公网IP地址：用来连接服务器
• 登录密码或密钥：用来验证身份

记下这些信息，下一步就要用到。

4. 第二步：通过SSH连接服务器

4.1 Windows用户连接方法

如果你用的是Windows，打开Git Bash或Windows Terminal，输入以下命令：

ssh root@你的服务器IP地址

比如你的服务器IP是123.123.123.123，就输入：

ssh root@123.123.123.123

第一次连接时，系统会问你是否信任这个主机，输入yes继续。

然后会提示你输入密码。输入你在创建实例时设置的密码（输入时不会显示字符，正常输入后按回车就行）。

如果一切顺利，你会看到命令行提示符变成了类似这样：

root@your-server-name:~#

恭喜！你已经成功连接到远程服务器了。

4.2 macOS/Linux用户连接方法

macOS和Linux用户更简单，直接打开终端，输入同样的命令：

ssh root@你的服务器IP地址

后续步骤和Windows一样。

4.3 常见连接问题解决

第一次连接可能会遇到一些问题，这里有几个常见情况的解决方法：

问题1：连接超时

• 检查IP地址是否正确
• 检查服务器是否已经启动完成（等几分钟再试）
• 检查本地网络是否正常

问题2：权限被拒绝

• 检查用户名是否正确（一般是root）
• 检查密码是否正确（注意大小写）
• 如果是密钥登录，确保密钥文件权限正确（chmod 400 密钥文件）

问题3：端口被防火墙阻挡

• 检查云服务器的安全组设置，确保22端口是开放的
• 有些网络环境可能屏蔽了22端口，可以尝试换端口

5. 第三步：验证YOLOv5环境

连接成功后，我们先确认一下环境是否正常。

5.1 检查Python和PyTorch

在SSH终端里，输入以下命令检查Python版本：

python3 --version

应该能看到Python 3.8或更高版本。

然后检查PyTorch是否安装：

python3 -c "import torch; print(f'PyTorch版本: {torch.__version__}')"

如果看到版本号输出，说明PyTorch安装正常。

5.2 进入YOLOv5项目目录

预置镜像通常已经把YOLOv5代码放在特定目录了。输入以下命令进入项目目录：

cd /root/yolov5/

用ls命令看看目录里有什么：

ls -la

你应该能看到YOLOv5的源代码文件，比如detect.py、train.py等。

5.3 运行一个简单测试

为了确保一切正常，我们运行一个最简单的测试。在/root/yolov5/目录下，创建一个测试Python脚本：

# test_yolo.py
import torch

print("=== YOLOv5环境测试 ===")
print(f"PyTorch版本: {torch.__version__}")
print(f"CUDA是否可用: {torch.cuda.is_available()}")
if torch.cuda.is_available():
    print(f"GPU设备: {torch.cuda.get_device_name(0)}")
    
print("\n导入YOLOv5模型...")
try:
    model = torch.hub.load('ultralytics/yolov5', 'yolov5s', pretrained=True)
    print("✓ YOLOv5模型加载成功！")
    print(f"模型类别数: {len(model.names)}")
except Exception as e:
    print(f"✗ 模型加载失败: {e}")

保存后运行：

python3 test_yolo.py

如果看到“模型加载成功”的消息，说明YOLOv5环境完全正常。

6. 第四步：运行YOLOv5示例

环境验证通过后，我们来实际运行YOLOv5的官方示例。

6.1 基础推理示例

在YOLOv5目录下，直接运行官方提供的示例代码：

import torch

# 加载YOLOv5模型（可选：yolov5n, yolov5s, yolov5m, yolov5l, yolov5x）
# yolov5s是默认的小模型，速度快，精度也不错
model = torch.hub.load("ultralytics/yolov5", "yolov5s")

# 定义输入图像（可以是URL、本地文件、PIL图像等）
# 这里用YOLOv5官方提供的示例图片
img = "https://ultralytics.com/images/zidane.jpg"

# 执行推理（自动处理批处理、缩放、归一化等）
results = model(img)

# 处理结果（有多种方式：打印、显示、保存、裁剪、转pandas等）
results.print()  # 打印结果到控制台
results.save()   # 保存结果到runs/detect/exp目录

print("推理完成！结果已保存。")

把这段代码保存为demo.py，然后运行：

python3 demo.py

你会看到控制台输出检测结果，类似这样：

image 1/1: 720x1280 2 persons, 1 tie
Speed: 10.2ms pre-process, 12.3ms inference, 1.2ms NMS per image at shape (1, 3, 384, 640)

6.2 查看检测结果

运行完成后，结果图片保存在runs/detect/exp目录下。我们可以用命令行查看：

ls runs/detect/exp/

你应该能看到一个图片文件，比如zidane.jpg。这就是YOLOv5检测后的结果，在原图上画出了检测框。

如果你想在服务器上直接查看图片，可以安装一个简单的图片查看工具：

# 安装feh（轻量级图片查看器）
apt-get update && apt-get install -y feh

# 查看结果图片
feh runs/detect/exp/zidane.jpg

不过更常见的做法是，把图片下载到本地查看。

7. 第五步：文件传输与结果获取

在服务器上运行完YOLOv5后，你需要把结果文件（图片、视频、数据等）传输到本地电脑。这里介绍几种常用方法。

7.1 使用SCP传输文件（推荐）

SCP（Secure Copy）是基于SSH的文件传输工具，使用简单又安全。

从服务器下载文件到本地：

在本地电脑的终端中（不是在SSH连接里），输入：

# 下载单个文件
scp root@你的服务器IP:/root/yolov5/runs/detect/exp/zidane.jpg ./本地目录/

# 下载整个目录
scp -r root@你的服务器IP:/root/yolov5/runs/detect/exp ./本地目录/

从本地上传文件到服务器：

# 上传单个文件
scp ./本地图片.jpg root@你的服务器IP:/root/yolov5/data/images/

# 上传整个目录
scp -r ./本地目录 root@你的服务器IP:/root/yolov5/data/

7.2 使用SFTP客户端

如果你更喜欢图形化界面，可以用FileZilla、WinSCP等SFTP客户端。

连接设置：

• 主机：你的服务器IP
• 用户名：root
• 密码：你的服务器密码
• 端口：22
• 协议：SFTP

连接成功后，就可以像操作本地文件一样拖拽上传下载了。

7.3 直接在浏览器查看

如果你通过Jupyter使用YOLOv5镜像，还有更简单的方法。很多云平台提供了Web终端或文件浏览器，可以直接在网页里查看和下载文件。

具体方法取决于你的云平台，一般可以在实例管理页面找到“文件管理”或“Web终端”功能。

8. 第六步：使用自己的图片和视频

学会了基础用法后，你一定想用YOLOv5检测自己的图片。方法很简单：

8.1 准备自己的图片

首先，把你的图片上传到服务器。假设你有一张叫my_photo.jpg的图片：

# 在本地电脑执行，上传图片到服务器
scp ./my_photo.jpg root@你的服务器IP:/root/yolov5/data/images/

8.2 修改检测代码

创建一个新的Python脚本detect_my_image.py：

import torch
import os

# 加载模型
model = torch.hub.load("ultralytics/yolov5", "yolov5s")

# 使用自己的图片
# 方法1：直接指定图片路径
img_path = "/root/yolov5/data/images/my_photo.jpg"

# 方法2：检测目录下的所有图片
# img_path = "/root/yolov5/data/images/"  # 检测该目录下所有图片

# 方法3：使用多个图片路径
# img_path = ["/root/yolov5/data/images/img1.jpg", 
#             "/root/yolov5/data/images/img2.jpg"]

# 执行推理
results = model(img_path)

# 保存结果
results.save()  # 保存到runs/detect/exp（自动创建新实验目录）

# 打印详细信息
results.print()
print(f"\n检测完成！结果保存在: {results.save_dir}")

8.3 检测视频文件

YOLOv5也支持视频检测。假设你有一个视频文件my_video.mp4：

import torch

# 加载模型
model = torch.hub.load("ultralytics/yolov5", "yolov5s")

# 检测视频
video_path = "/root/yolov5/data/videos/my_video.mp4"
results = model(video_path)

# 保存结果视频
results.save()

print(f"视频检测完成！输出视频: {results.save_dir}/my_video.mp4")

视频检测会比图片慢一些，因为要处理每一帧。

9. 第七步：使用Jupyter Notebook（可选）

如果你更喜欢用Jupyter Notebook来交互式地使用YOLOv5，镜像也提供了这个选项。

9.1 启动Jupyter服务

在SSH终端中，进入YOLOv5目录并启动Jupyter：

cd /root/yolov5
jupyter notebook --ip=0.0.0.0 --port=8888 --no-browser --allow-root

你会看到类似这样的输出：

[I 10:00:00.000 NotebookApp] Serving notebooks from local directory: /root/yolov5
[I 10:00:00.000 NotebookApp] Jupyter Notebook 6.4.0 is running at:
[I 10:00:00.000 NotebookApp] http://0.0.0.0:8888/?token=你的token

记下这里的token，下一步要用。

9.2 通过浏览器访问

现在你需要通过浏览器访问Jupyter。由于Jupyter运行在服务器的8888端口，你需要：

1. 确保安全组开放8888端口：在云服务器控制台，找到安全组设置，添加一条规则允许8888端口
2. 在浏览器中访问：打开浏览器，输入http://你的服务器IP:8888
3. 输入token：粘贴刚才记下的token

现在你就能在浏览器里使用Jupyter Notebook了，可以创建新的notebook，交互式地运行YOLOv5代码。

9.3 创建YOLOv5 Notebook

在Jupyter中新建一个Python notebook，然后输入：

# 第一个单元格：导入库
import torch
import cv2
from PIL import Image
import matplotlib.pyplot as plt
%matplotlib inline

print("环境检查:")
print(f"PyTorch版本: {torch.__version__}")
print(f"OpenCV版本: {cv2.__version__}")

# 第二个单元格：加载模型
model = torch.hub.load('ultralytics/yolov5', 'yolov5s')
print("模型加载完成！")

# 第三个单元格：检测图片
img_url = "https://ultralytics.com/images/bus.jpg"
results = model(img_url)

# 显示结果
results.show()
results.print()

每个单元格可以单独运行，非常适合调试和实验。

10. 实用技巧与问题排查

10.1 性能优化建议

如果你的服务器配置不高，可以试试这些优化方法：

使用更小的模型：

# yolov5n是最小的模型，速度最快
model = torch.hub.load('ultralytics/yolov5', 'yolov5n')

# 或者用yolov5s，平衡速度和精度
model = torch.hub.load('ultralytics/yolov5', 'yolov5s')

调整推理尺寸：

# 默认是640像素，调小可以加快速度
model = torch.hub.load('ultralytics/yolov5', 'yolov5s')
model.conf = 0.25  # 置信度阈值
model.iou = 0.45   # IOU阈值
model.max_det = 1000  # 最大检测数

# 推理时指定尺寸
results = model(img, size=320)  # 使用320x320输入

批量处理图片：

# 一次处理多张图片，比一张张处理效率高
image_paths = ['img1.jpg', 'img2.jpg', 'img3.jpg']
results = model(image_paths)

10.2 常见问题解决

问题：内存不足

• 使用更小的模型（yolov5n）
• 减小输入图片尺寸（size=320）
• 分批处理图片，不要一次性加载太多

问题：速度太慢

• 检查是否在使用CPU而不是GPU
• 使用更小的模型
• 减小图片尺寸
• 关闭不必要的可视化（results.show()比较耗时）

问题：检测精度不够

• 使用更大的模型（yolov5l或yolov5x）
• 增加输入尺寸（size=1280）
• 调整置信度阈值（model.conf = 0.4）

问题：连接断开 SSH连接可能因为不活动而断开，可以配置保持连接：

# 在本地电脑的 ~/.ssh/config 文件中添加（没有就创建）
Host *
    ServerAliveInterval 60
    ServerAliveCountMax 3

10.3 常用命令备忘

# 查看GPU信息
nvidia-smi

# 查看内存使用
free -h

# 查看磁盘空间
df -h

# 查看进程
htop  # 需要先安装：apt install htop

# 后台运行Jupyter
nohup jupyter notebook --ip=0.0.0.0 --port=8888 --no-browser --allow-root > jupyter.log 2>&1 &

# 查看Jupyter日志
tail -f jupyter.log

# 结束Jupyter进程
pkill -f jupyter

11. 总结

通过这篇教程，你应该已经掌握了YOLOv5 SSH远程部署的完整流程。我们来回顾一下关键步骤：

1. 准备阶段：选择云服务器，记住SSH客户端是连接工具
2. 启动实例：选择YOLOv5镜像创建云服务器，获取IP和密码
3. SSH连接：用一行命令连接远程服务器，就像操作本地电脑一样
4. 验证环境：检查Python、PyTorch和YOLOv5是否正常
5. 运行示例：从简单测试开始，确保一切工作正常
6. 使用自己的数据：上传图片视频，用YOLOv5进行检测
7. 获取结果：用SCP或SFTP把结果文件下载到本地
8. 可选功能：使用Jupyter进行交互式开发

远程部署YOLOv5的最大好处是灵活性和可扩展性。你可以在低配电脑上开发，在云端高性能服务器上运行，随时随地访问你的开发环境。当需要更多计算资源时，只需升级云服务器配置，不需要换电脑。

现在你已经有了一个随时可用的YOLOv5开发环境，可以开始你的计算机视觉项目了。无论是做目标检测实验，还是开发实际应用，这个云端环境都能提供稳定的支持。

---

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。