掌握YOLOv5 在Google 平台 (GCP) 深度学习虚拟机上的部署

踏上人工智能（AI）和机器学习（ML）的征程是令人振奋的，尤其是当您利用云计算平台的强大功能和灵活性时。Google 平台（GCP）为机器学习爱好者和专业人士提供了强大的工具。深度学习虚拟机（Deep Learning VM）就是这样一款工具，它已为数据科学和 ML 任务进行了预配置。在本教程中，我们将介绍如何设置 Ultralytics YOLOv5 的过程。无论您是初次接触 ML，还是经验丰富的实践者，本指南都将为您提供一条清晰的路径，帮助您实现由YOLOv5 支持的对象检测模型。

🆓 另外，如果您是 GCP 的新用户，您将有幸获得 300 美元的免费信用额度来启动您的项目。

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 Google Colab 笔记本基于浏览器的体验，或亚马逊 AWS.此外，容器爱好者可以使用我们的官方 Docker 镜像，该镜像可在 Docker Hub 我们的 Docker 快速入门指南.

第 1 步：创建和配置深度学习虚拟机

首先，让我们创建一个专为深度学习优化的虚拟机：

导航至GCP 市场并选择深度学习虚拟机。
选择n1-standard-8实例；它提供 8 个 vCPU 和 30 GB 内存，适合许多 ML 任务。
选择一个 GPU.选择取决于您的工作量；即使是基本的 T4GPU 也能显著加快模型训练。
勾选 "首次启动时自动安装NVIDIA ）GPU 驱动程序？
分配一个 300 GB SSD 持久磁盘，以防止出现 I/O 瓶颈。
点击 "部署"，让 GCP 配置您的自定义深度学习虚拟机。

该虚拟机预装了必要的工具和框架，包括Anaconda Python 发行版，它方便地捆绑了YOLOv5 的许多必要依赖项。

GCP Marketplace 设置深度学习虚拟机示例

第 2 步：为YOLOv5准备虚拟机

设置好环境后，让我们安装并准备好YOLOv5 ：

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

# Navigate into the cloned repository directory
cd yolov5

# Install the required Python packages listed in requirements.txt
pip install -r requirements.txt

此设置过程可确保您的Python 环境版本为 3.8.0 或更新版本，且 PyTorch1.8 或更高版本。我们的脚本会自动从最新的YOLOv5 版本中下载模型和数据集，从而简化了开始模型训练的过程。

步骤 3：培训和部署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、验证、预测和输出了：

# 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

只需使用几个命令，YOLOv5 就能根据您的特定需求训练自定义对象检测模型，或利用预训练的权重在各种任务中快速获得结果。在导出后探索不同的模型部署选项。

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）

如果您处理的数据集特别大，可能超出虚拟机的内存，请考虑增加交换空间，以防止内存出错：

# 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 中的自定义数据集上训练YOLOv5 ，请遵循以下一般步骤：

按照YOLOv5 格式准备数据集（图像和相应的标签文件）。请参阅我们的数据集概述以获取指导。
使用以下命令将数据集上传至 GCP 虚拟机 gcloud compute scp 或网络控制台的 SSH 功能。
创建数据集配置 YAML 文件 (custom_dataset.yaml)，其中指定了训练数据和验证数据的路径、类的数量和类名。
使用自定义数据集 YAML 并可能从预先训练的权重开始训练过程：

# 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培训的全面说明，请查阅Ultralytics YOLOv5 Train 文档。

利用云存储

为了实现高效的数据管理，尤其是大型数据集或众多实验的数据管理，请将YOLOv5 工作流程与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/