bash方式启动模型训练

export \

PATHPYTHONPATH=/workspace/mmlab/mmdetection/:/workspace/mmlab/mmsegmentation/:/workspace/mmlab/mmdeploy/:${env:PYTHONPATH} \

CUDA_VISIBLE_DEVICES=0 \

DATA_ROOT_1=/mnt/data/.../ \

DATA_ROOT_2=/mnt/data/.../ \

DATA_ROOT_MASK=/.../ \

PATH_COMMON_PACKAGES_SO=...so

nohup \

python main.py \

mtn.py \

--train \

--work_dir work_dirs/0720/ \

> log_0720_stdout.txt \

2> log_0720_stderr.txt \

&

AI解读:

这段指令的目标是设置环境变量并运行一个 Python 脚本来启动训练任务,同时将日志输出分别记录到文件。具体解读如下:

1. 环境变量设置:

  • export PATH PYTHONPATH:

    • 将 /workspace/mmlab/mmdetection/、/workspace/mmlab/mmsegmentation/ 和 /workspace/mmlab/mmdeploy/ 添加到 PYTHONPATH 环境变量,并保留已有值 ${env:PYTHONPATH}。
  • CUDA_VISIBLE_DEVICES=0:

    • 限制任务仅使用第 0 号 GPU。
  • DATA_ROOT_1:

    • 指定数据路径为 /mnt/data/...。
  • DATA_ROOT_2:

    • 设置另一个低分辨率数据路径。
  • DATA_ROOT_MASK:

    • 车辆遮罩数据路径设置为 /mnt/data/.../。
  • PATH_COMMON_PACKAGES_SO:

    • 指定动态库 .so 文件的位置。

2. 运行训练脚本:

  • nohup:

    • 确保任务在后台运行,即使关闭终端也不会中断。
  • python main.py mtn.py:

    • 启动 Python 脚本,并加载配置文件 mtn.py
  • --train:

    • 指定运行脚本的训练模式。
  • --work_dir work_dirs/0720/:

    • 定义训练的工作目录为 work_dirs/0720/。

3. 日志记录:

  • > log_0720_stdout.txt:

    • 将标准输出内容记录到 log_0720_stdout.txt 文件。
  • 2> log_0720_stderr.txt:

    • 将标准错误输出重定向到 log_0720_stderr.txt 文件。

4. 后台运行:

  • &:

    • 命令将以后台方式运行,释放终端继续其他操作。

这段指令设计得很好,日志分别记录标准输出和错误,路径清晰!🌟 希望你的训练任务顺利完成! 💧✨

相关推荐
NewCarRen15 小时前
未来智能网联汽车的网络安全档案建立方法
网络·自动驾驶·预期功能安全
Coovally AI模型快速验证1 天前
OmniNWM:突破自动驾驶世界模型三大瓶颈,全景多模态仿真新标杆(附代码地址)
人工智能·深度学习·机器学习·计算机视觉·自动驾驶·transformer
学slam的小范2 天前
ROS跑ORB-SLAM3遇见的问题总结
人工智能·机器人·自动驾驶
周杰伦_Jay2 天前
【自动驾驶开源仿真平台】Carla、AirSim、Udacity self-driving-car-sim、Apollo、Autoware。
人工智能·机器学习·自动驾驶
Godspeed Zhao3 天前
自动驾驶中的传感器技术70——Navigation(7)
人工智能·机器学习·自动驾驶
康谋自动驾驶4 天前
如何闭环自动驾驶仿真场景,实现从“重建”到“可用”?
自动驾驶·仿真·建模·3dgs
翻滚的小@强4 天前
【Tesla】ICCV 2025技术分享
自动驾驶·fsd·端到端模型
地平线开发者5 天前
大模型 | VLA 初识及在自动驾驶场景中的应用
算法·自动驾驶
地平线开发者6 天前
三种 Badcase 精度验证方案详解与 hbm_infer 部署实录
算法·自动驾驶