掌握在 Google Cloud Platform (GCP) 深度学习虚拟机上部署 YOLOv5#

Google Cloud Platform (GCP) 是一个云计算平台，其深度学习 VM 已预先配置，可用于数据科学和机器学习（ML）任务。本教程将介绍如何在 GCP 深度学习 VM 上设置 Ultralytics YOLOv5。无论你是刚开始接触 ML，还是经验丰富的从业者，本教程都将清晰地指导你使用 YOLOv5 训练和运行目标检测模型。

GCP 新用户还可以领取 $300 免费额度优惠，开始使用。

YOLOv5 的其他快速入门选项包括我们的 Google Colab Notebook ，可在浏览器中使用；或者选择具备可扩展性的 Amazon AWS。你也可以使用我们在 Docker Hub 上提供的官方 Docker 镜像 来构建封装好的环境，并按照我们的 Docker 快速入门指南操作。

步骤 1：创建并配置深度学习虚拟机#

首先创建一台针对深度学习优化的虚拟机：

1. 前往 GCP Marketplace，然后选择 Deep Learning VM。
2. 选择 n1-standard-8 实例；它配备 8 个 vCPU 和 30 GB 内存，适用于许多 ML 任务。
3. 选择一个 GPU。具体选择取决于你的工作负载；即使是基础款 T4 GPU，也能显著加快模型训练。
4. 勾选“首次启动时自动安装 NVIDIA GPU 驱动程序？”复选框。
5. 分配一块 300 GB SSD 持久磁盘，以避免 I/O 瓶颈。
6. 点击“Deploy”，等待 GCP 配置你的自定义深度学习虚拟机。

这台虚拟机预装了多种必要工具和框架，包括 Anaconda Python 发行版，其中集成了 YOLOv5 所需的许多依赖项。

步骤 2：为 YOLOv5 准备虚拟机#

接下来，安装 YOLOv5 及其依赖项：

# Clone the YOLOv5 repository
git clone https://github.com/ultralytics/yolov5
cd yolov5

# Install dependencies
pip install -r requirements.txt

YOLOv5 需要 Python 3.8.0 或更高版本以及 PyTorch 1.8 或更高版本。脚本会自动从最新 YOLOv5 版本下载模型和数据集，简化模型训练的启动流程。

步骤 3：训练并部署 YOLOv5 模型#

配置完成后，你就可以在 GCP 虚拟机上使用 YOLOv5 进行训练、验证、预测和导出：

# Train a YOLOv5 model on your dataset (e.g., yolov5s)
python train.py --data coco128.yaml --weights yolov5s.pt --img 640

# Validate the trained model to check Precision, Recall, and mAP
python val.py --weights yolov5s.pt --data coco128.yaml

# Run inference using the trained model on images or videos
python detect.py --weights yolov5s.pt --source path/to/your/images_or_videos

# Export the trained model to various formats like ONNX, CoreML, TFLite for deployment
python export.py --weights yolov5s.pt --include onnx coreml tflite

只需几条命令，你就可以训练符合需求的自定义目标检测模型，也可以从预训练权重开始，快速获得结果。

分配交换空间（可选）#

如果你使用的数据集特别大，可能超出虚拟机的 RAM 容量，可以考虑添加交换空间，以避免内存错误：

# Allocate a 64GB swap file
sudo fallocate -l 64G /swapfile

# Set the correct permissions for the swap file
sudo chmod 600 /swapfile

# Set up the Linux swap area
sudo mkswap /swapfile

# Enable the swap file
sudo swapon /swapfile

# Verify the swap space allocation (should show increased swap memory)
free -h

训练自定义数据集#

要在 GCP 上使用自定义数据集训练 YOLOv5，请按照以下一般步骤操作：

1. 按照 YOLOv5 格式准备数据集（图像及其对应的标签文件）。如需指导，请参阅我们的数据集概览。

2. 使用 gcloud compute scp 或网页控制台的 SSH 功能，将数据集上传到 GCP 虚拟机。

3. 创建数据集配置 YAML 文件（custom_dataset.yaml），指定训练数据和验证数据的路径、类别数量以及类别名称。

4. 使用自定义数据集 YAML 开始训练流程，也可以选择从预训练权重开始训练：

   # Example: Train YOLOv5s on a custom dataset for 100 epochs
   python train.py --img 640 --batch 16 --epochs 100 --data custom_dataset.yaml --weights yolov5s.pt

有关准备数据和使用自定义数据集进行训练的完整说明，请参阅训练自定义数据教程。

利用云存储#

为了高效管理数据，尤其是在处理大型数据集或大量实验时，可以将 YOLOv5 工作流与 Google Cloud Storage 集成：

# Ensure Google Cloud SDK is installed and initialized
# If not installed: curl https://sdk.cloud.google.com/ | bash
# Then initialize: gcloud init

# Example: Copy your dataset from a GCS bucket to your VM
gsutil cp -r gs://your-data-bucket/my_dataset ./datasets/

# Example: Copy trained model weights from your VM to a GCS bucket
gsutil cp -r ./runs/train/exp/weights gs://your-models-bucket/yolov5_custom_weights/

这种方法可以让你在云端安全、经济高效地存储大型数据集和训练完成的模型，减少虚拟机实例所需的存储空间。

总结#

你现在已在 Google Cloud Platform 深度学习 VM 上运行 Ultralytics YOLOv5，可用于各种目标检测项目，涵盖个人实验、学术研究和工业解决方案。

你可以考虑使用 Ultralytics Platform，以免编写代码的方式训练和管理模型。

如有问题或希望合作，请加入 GitHub 讨论区。

常见问题#