إتقان نشر YOLOv5 على Deep Learning VM في منصة Google Cloud (GCP)#

قد يكون بدء رحلة الذكاء الاصطناعي (AI) والتعلم الآلي (ML) أمرًا حماسيًا، ولا سيما عند الاستفادة من قوة منصة الحوسبة السحابية ومرونتها. توفر منصة Google Cloud (GCP) أدوات قوية مصممة خصيصًا لهواة ML والمحترفين على حد سواء. ومن هذه الأدوات Deep Learning VM، وهي مُهيّأة مسبقًا لمهام علم البيانات وML. في هذا البرنامج التعليمي، سنستعرض عملية إعداد Ultralytics YOLOv5 على Deep Learning VM في GCP. سواء كنت تخطو خطواتك الأولى في ML أو كنت ممارسًا متمرسًا، يقدم هذا الدليل مسارًا واضحًا لتطبيق نماذج كشف الأجسام المدعومة بواسطة YOLOv5.

🆓 بالإضافة إلى ذلك، إذا كنت مستخدمًا جديدًا لـ GCP، فأنت محظوظ بفضل عرض رصيد مجاني بقيمة 300 دولار لبدء مشاريعك.

بالإضافة إلى GCP، استكشف خيارات البدء السريع الأخرى المتاحة لـ YOLOv5، مثل دفتر Google Colab لتجربة قائمة على المتصفح، أو قابلية التوسع التي توفرها Amazon AWS. علاوة على ذلك، يمكن لمستخدمي الحاويات الاستفادة من صورة Docker الرسمية المتاحة على Docker Hub لتوفير بيئة معزولة، باتباع دليل البدء السريع لـ Docker.

الخطوة 1: إنشاء Deep Learning VM وتكوينها#

لنبدأ بإنشاء آلة افتراضية محسّنة لـالتعلم العميق:

1. انتقل إلى سوق GCP وحدد Deep Learning VM.
2. اختر مثيلًا من نوع n1-standard-8؛ فهو يوفر توازنًا بين 8 وحدات vCPU وذاكرة بسعة 30 GB، وهو مناسب للعديد من مهام ML.
3. حدد GPU. يعتمد الاختيار على عبء العمل لديك؛ فحتى GPU من نوع T4 الأساسي سيُسرّع تدريب النموذج بدرجة ملحوظة.
4. حدد مربع الاختيار «تثبيت برنامج تشغيل NVIDIA GPU تلقائيًا عند بدء التشغيل الأول؟» لإعداد سلس.
5. خصص قرصًا دائمًا من نوع SSD بسعة 300 GB لتجنب اختناقات الإدخال/الإخراج.
6. انقر على «نشر» ودع GCP يجهز Deep Learning VM المخصصة لك.

تأتي هذه الآلة الافتراضية محمّلة مسبقًا بالأدوات والأُطر الأساسية، بما في ذلك توزيعة Python من Anaconda، التي تجمع بصورة ملائمة العديد من التبعيات اللازمة لـ YOLOv5.

الخطوة 2: تجهيز الآلة الافتراضية لـ YOLOv5#

بعد إعداد البيئة، لنثبت YOLOv5 ونجهزه للعمل:

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

# Install dependencies
pip install -r requirements.txt

تضمن عملية الإعداد هذه توفر بيئة Python بالإصدار 3.8.0 أو إصدار أحدث، وPyTorch بالإصدار 1.8 أو إصدار أحدث. تنزّل نصوصنا البرمجية تلقائيًا النماذج ومجموعات البيانات من أحدث إصدار لـ YOLOv5، مما يبسط عملية بدء تدريب النموذج.

الخطوة 3: تدريب نماذج YOLOv5 ونشرها#

بعد اكتمال الإعداد، تصبح جاهزًا لـتدريب YOLOv5 والتحقق منه وإجراء التنبؤات وتصديره على آلة GCP الافتراضية:

# 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

باستخدام بضعة أوامر فقط، يتيح لك YOLOv5 تدريب نماذج مخصصة لـكشف الأجسام ومصممة لتلبية احتياجاتك الخاصة، أو استخدام أوزان مدرّبة مسبقًا للحصول على نتائج سريعة عبر مهام متنوعة. استكشف خيارات نشر النماذج المختلفة بعد التصدير.

تخصيص مساحة Swap (اختياري)#

إذا كنت تعمل مع مجموعات بيانات كبيرة بصفة خاصة وقد تتجاوز ذاكرة RAM في الآلة الافتراضية، ففكر في إضافة مساحة Swap لتجنب أخطاء الذاكرة:

# 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

تدريب مجموعات بيانات مخصصة#

لتدريب YOLOv5 على مجموعة بياناتك المخصصة ضمن GCP، اتبع الخطوات العامة التالية:

1. جهّز مجموعة البيانات وفق تنسيق YOLOv5 (الصور وملفات التسميات المقابلة). راجع نظرة عامة على مجموعات البيانات للاطلاع على الإرشادات.

2. حمّل مجموعة البيانات إلى آلة GCP الافتراضية باستخدام gcloud compute scp أو ميزة SSH في وحدة تحكم الويب.

3. أنشئ ملف YAML لتكوين مجموعة البيانات (custom_dataset.yaml) يحدد مسارات بيانات التدريب والتحقق، وعدد الفئات، وأسماء الفئات.

4. ابدأ عملية التدريب باستخدام ملف YAML لمجموعة بياناتك المخصصة، وربما بالبدء من أوزان مدرّبة مسبقًا:

   # 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

للاطلاع على إرشادات شاملة حول إعداد البيانات والتدريب باستخدام مجموعات البيانات المخصصة، راجع وثائق تدريب Ultralytics YOLOv5.

الاستفادة من التخزين السحابي#

لإدارة البيانات بكفاءة، ولا سيما مع مجموعات البيانات الكبيرة أو التجارب العديدة، ادمج سير عمل YOLOv5 لديك مع Google Cloud Storage:

# 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/

يتيح لك هذا النهج تخزين مجموعات البيانات الكبيرة والنماذج المدرّبة بأمان وبتكلفة اقتصادية في السحابة، مع تقليل متطلبات التخزين على مثيل الآلة الافتراضية.

أفكار ختامية#

تهانينا! أصبحت الآن مجهزًا للاستفادة من إمكانات Ultralytics YOLOv5 مقترنة بالقوة الحاسوبية لمنصة Google Cloud. يوفر هذا الإعداد قابلية التوسع والكفاءة والتنوع لمشاريع كشف الأجسام لديك. سواء كان ذلك للاستكشاف الشخصي أو البحث الأكاديمي أو بناء حلول صناعية، فقد خطوت خطوة مهمة نحو عالم AI وML على السحابة.

فكر في استخدام منصة Ultralytics للحصول على تجربة مبسطة بلا تعليمات برمجية لتدريب نماذجك وإدارتها.

تذكّر توثيق تقدمك، ومشاركة رؤاك مع مجتمع Ultralytics النابض بالحياة، والاستفادة من موارد مثل مناقشات GitHub للتعاون والدعم. والآن، انطلق وابتكر باستخدام YOLOv5 وGCP!

هل ترغب في مواصلة تطوير مهاراتك في ML؟ تعمّق في وثائقنا واستكشف مدونة Ultralytics لمزيد من البرامج التعليمية والرؤى. دع مغامرتك في AI تستمر!