跳至内容

掌握YOLOv5 🚀 在 Google Cloud Platform (GCP) 上部署深度学习虚拟机 (VM) ⭐

Embarking on the journey of artificial intelligence and machine learning can be exhilarating, especially when you leverage the power and flexibility of a cloud platform. Google Cloud Platform (GCP) offers robust tools tailored for machine learning enthusiasts and professionals alike. One such tool is the Deep Learning VM that is preconfigured for data science and ML tasks. In this tutorial, we will navigate through the process of setting up YOLOv5 on a GCP Deep Learning VM. Whether you're taking your first steps in ML or you're a seasoned practitioner, this guide is designed to provide you with a clear pathway to implementing object detection models powered by YOLOv5.

🆓 Plus, if you're a fresh GCP user, you're in luck with a $300 free credit offer to kickstart your projects.

除 GCP 外,还可探索YOLOv5 的其他可访问的快速入门选项,如我们的 Colab 笔记本 在 Colab 中打开 基于浏览器的体验,或 亚马逊 AWS.此外,容器爱好者还可以在以下网址使用我们的官方 Docker 镜像 Docker Hub Docker 拉动 用于封装环境。

第 1 步:创建和配置深度学习虚拟机

Let's begin by creating a virtual machine that's tuned for deep learning:

  1. 前往GCP 市场,选择深度学习虚拟机
  2. 选择n1-standard-8实例;它提供 8 个 vCPU 和 30 GB 内存,非常适合我们的需求。
  3. 接下来,选择 GPU。这取决于你的工作量;即使是像 Tesla T4 这样的基本 GPU,也能显著加快模型训练。
  4. 勾选 "首次启动时自动安装英伟达™(NVIDIA®)GPU 驱动程序?
  5. 分配一个 300 GB SSD 持久磁盘,确保不会出现 I/O 操作瓶颈。
  6. 点击 "部署",让 GCP 发挥它的魔力,配置您的自定义深度学习虚拟机。

该虚拟机装载了大量预装工具和框架,包括Anaconda Python 发行版,其中方便地捆绑了YOLOv5.NET 所需的所有依赖项。

GCP Marketplace 设置深度学习虚拟机示例

第 2 步:准备好虚拟机YOLOv5

环境设置完成后,让我们运行YOLOv5 :

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

# Change the directory to the cloned repository
cd yolov5

# Install the necessary Python packages from requirements.txt
pip install -r requirements.txt

此设置过程可确保您使用 3.8.0 或更新版本的Python 环境和 1.8 或更高版本的PyTorch 。我们的脚本能从最新的YOLOv5 版本中顺利下载模型数据集,让您轻松开始模型训练。

步骤 3:训练和部署YOLOv5 模型 🌐

设置完成后,您就可以在 GCP 虚拟机上使用YOLOv5 进行训练和推理了:

# Train a model on your data
python train.py

# Validate the trained model for Precision, Recall, and mAP
python val.py --weights yolov5s.pt

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

# Export the trained model to other formats for deployment
python export.py --weights yolov5s.pt --include onnx coreml tflite

只需几条命令,YOLOv5 就能根据您的具体需求训练定制的物体检测模型,或利用预训练的权重在各种任务中快速获得结果。

说明在 GCP 深度学习虚拟机上进行模型训练的终端命令图像

分配交换空间(可选)

对于需要处理大量数据集的用户,可以考虑为 GCP 实例增加 64GB 的交换内存:

sudo fallocate -l 64G /swapfile
sudo chmod 600 /swapfile
sudo mkswap /swapfile
sudo swapon /swapfile
free -h  # confirm the memory increment

结束语

恭喜您!现在,您可以利用YOLOv5 的功能和谷歌云平台的计算能力。这种组合为您的物体检测任务提供了可扩展性、高效性和多功能性。无论是用于个人项目、学术研究还是工业应用,您都已经在云计算的人工智能和机器学习领域迈出了关键的一步。

请记住记录您的旅程,与Ultralytics 社区分享您的见解,并利用GitHub 讨论等合作平台进一步发展。现在,通过YOLOv5 和 GCP 去创新吧!🌟

想要不断提高您的 ML 技能和知识?深入了解我们的文档和教程,获取更多资源。让您的人工智能探险继续下去!



Created 2023-11-12, Updated 2024-06-02
Authors: glenn-jocher (5), Burhan-Q (1)

评论