掌握YOLOv5 🚀 在Google Cloud Platform (GCP) 深度学习虚拟机 (VM) 上的部署 ⭐
踏上人工智能和机器学习的旅程可以令人振奋，尤其是当你利用云平台的强大功能和灵活性时。Google Cloud Platform (GCP) 提供了专为机器学习爱好者和专业人士量身定制的强大工具。其中之一就是预配置用于数据科学和ML任务的深度学习虚拟机。在本教程中，我们将逐步介绍在GCP深度学习虚拟机上设置YOLOv5的过程。无论你是机器学习领域的初学者还是经验丰富的从业者，本指南旨在为你提供一条清晰的实施路径，通过YOLOv5实现目标检测模型。
🆓 此外，如果你是GCP的新用户，你将幸运地获得300美元的免费信用额度来启动你的项目。
除了GCP，还可以探索其他可访问的YOLOv5快速启动选项，例如我们的Colab笔记本 
用于基于浏览器的体验，或Amazon AWS的可扩展性。此外，容器爱好者可以利用我们在Docker Hub 
步骤1：创建并配置你的深度学习虚拟机
让我们从创建一个专为深度学习调优的虚拟机开始：
- 前往GCP市场并选择深度学习虚拟机。
- 选择n1-standard-8实例；它提供了8个vCPU和30 GB内存的平衡，非常适合我们的需求。
- 接下来，选择一个GPU。这取决于你的工作负载；即使是像T4这样的基本GPU也会显著加速你的模型训练。
- 勾选“首次启动时自动安装NVIDIA GPU驱动程序？”以简化设置。
- 分配一个300 GB的SSD持久磁盘，以确保你在I/O操作上不会遇到瓶颈。
- 点击“部署”，让GCP完成你的自定义深度学习虚拟机的配置。
这个虚拟机预装了大量工具和框架，包括Anaconda Python发行版，它方便地捆绑了YOLOv5所需的所有依赖项。
步骤2：为YOLOv5准备虚拟机
在环境设置完成后，让我们开始运行YOLOv5：
# 克隆YOLOv5仓库
git clone https://github.com/ultralytics/yolov5
# 切换到克隆的仓库目录
cd yolov5
# 从requirements.txt安装必要的Python包
pip install -r requirements.txt
此设置过程确保你使用的是Python环境版本3.8.0或更高版本，以及PyTorch 1.8或更高版本。我们的脚本会顺利下载模型和数据集，从最新的YOLOv5发布中获取，使模型训练的启动变得轻松。
步骤3：训练并部署你的YOLOv5模型 🌐
在设置完成后，你就可以开始在GCP虚拟机上使用YOLOv5进行训练和推理：
# 在你的数据上训练模型
python train.py
# 验证训练好的模型以获得精度、召回率和mAP
python val.py --weights yolov5s.pt
# 使用训练好的模型对你的图像或视频进行推理
python detect.py --weights yolov5s.pt --source path/to/images
# 将训练好的模型导出为其他格式以进行部署
python export.py --weights yolov5s.pt --include onnx coreml tflite
只需几个命令，YOLOv5就能让你根据特定需求训练自定义的目标检测模型，或使用预训练权重在各种任务上快速获得结果。
分配交换空间（可选）
对于处理庞大数据集的用户，考虑为您的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 # 确认内存增加
总结思考
恭喜！您现在可以利用Google Cloud Platform的计算能力来发挥YOLOv5的潜力。这种组合为您的目标检测任务提供了可扩展性、效率和多功能性。无论是个人项目、学术研究还是工业应用，您已经迈出了进入云端AI和机器学习世界的关键一步。
请记得记录您的旅程，与Ultralytics社区分享见解，并利用GitHub讨论等协作平台进一步成长。现在，继续前进，用YOLOv5和GCP进行创新吧！🌟
想要继续提升您的ML技能和知识？深入我们的文档和教程获取更多资源。让您的AI冒险继续！
