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

开启人工智能 (AI)和机器学习 (ML)之旅令人振奋，尤其是在利用云计算平台的强大功能和灵活性时。谷歌云平台 (GCP) 为 ML 爱好者和专业人士提供了强大的工具。其中一种工具是深度学习虚拟机，它已针对数据科学和 ML 任务预先配置好。本教程将介绍Ultralytics YOLOv5在GCP 深度学习虚拟机上的配置流程。无论你是刚开始接触 ML，还是经验丰富的从业者，本指南都会清晰地介绍如何实现基于 YOLOv5 的目标检测模型。

🆓 此外，如果你是 GCP 新用户，还可以享受 $300 免费额度优惠，为你的项目起步助力。

除了 GCP，你还可以探索 YOLOv5 的其他便捷快速入门方式，例如适合在浏览器中使用的 Google Colab Notebook ，或具备可扩展性的 Amazon AWS。此外，容器爱好者可以使用我们在 Docker Hub 上提供的官方 Docker 镜像 ，搭建独立的运行环境，并按照我们的 Docker 快速入门指南进行操作。

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，即可简化配置流程。
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#

环境配置完成后，接下来安装 YOLOv5 并做好运行准备：

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

# Install dependencies
pip install -r requirements.txt

此配置流程可确保你使用 Python 3.8.0 或更高版本，以及 PyTorch 1.8 或更高版本。我们的脚本会自动从最新的 YOLOv5 发布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，YOLOv5 就能根据你的具体需求训练自定义目标检测模型，也能使用预训练权重快速完成各种任务。导出后，还可以探索不同的模型部署选项。

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#

恭喜！现在，你已经能够将 Ultralytics YOLOv5 与 Google Cloud Platform 的计算能力结合起来使用。这套配置为你的目标检测项目提供了可扩展、高效且灵活的基础。无论是个人探索、学术研究，还是构建工业级解决方案，你都已在云端 AI 和 ML 领域迈出了重要一步。

你可以使用 Ultralytics Platform，以更精简、无需编写代码的方式训练和管理模型。

记得记录进展、与活跃的 Ultralytics 社区分享见解，并利用 GitHub 讨论区等资源进行协作和获取支持。现在就开始使用 YOLOv5 和 GCP，尽情创新吧！

想继续提升你的 ML 技能吗？深入阅读我们的文档，并浏览 Ultralytics Blog，获取更多教程和见解。继续你的 AI 探索之旅吧！

常见问题#