تخطي إلى المحتوى

إتقان نشر YOLOv5 على منصة Google السحابية (GCP) للتعلم العميق VM

يمكن أن يكون الشروع في رحلة الذكاء الاصطناعي والتعلُّم الآلي أمرًا مبهجًا، خاصةً عندما تستفيد من قوة ومرونة المنصة السحابية. تقدم منصة Google السحابية (GCP) أدوات قوية مصممة خصيصاً لعشاق التعلم الآلي والمحترفين على حد سواء. إحدى هذه الأدوات هي أداة التعلُّم العميق VM التي تم تهيئتها مسبقًا لمهام علوم البيانات وتعلم الآلة. في هذا البرنامج التعليمي، سنتنقل في هذا البرنامج التعليمي خلال عملية إعداد YOLOv5 على آلة افتراضية للتعلم العميق من GCP. سواءً كنت تخطو خطواتك الأولى في التعلم الآلي أو كنت ممارسًا متمرسًا، فقد صُمم هذا الدليل لتزويدك بمسار واضح لتنفيذ نماذج اكتشاف الكائنات المدعومة من YOLOv5.

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

بالإضافة إلى GCP، استكشف خيارات البدء السريع الأخرى التي يمكن الوصول إليها YOLOv5 ، مثل دفتر ملاحظات Google كولاب افتح في كولاب للتجربة القائمة على المتصفح، أو قابلية التوسع في أمازون AWS. وعلاوة على ذلك، يمكن لعشاق الحاويات استخدام صورة Docker الرسمية الخاصة بنا على Docker Hub عمليات السحب من الرصيف لبيئة مغلفة.

الخطوة 1: إنشاء جهاز التعلم العميق الافتراضي وتهيئته

لنبدأ بإنشاء آلة افتراضية تم ضبطها للتعلم العميق:

  1. توجَّه إلى سوق GCP واختر أداة التعلُّم العميق الافتراضية.
  2. اختر مثيل n1-standard-8؛ فهو يوفر توازناً بين 8 وحدات تحكم افتراضية و30 جيجابايت من الذاكرة، وهو ما يناسب احتياجاتنا بشكل مثالي.
  3. بعد ذلك، اختر GPU. يعتمد هذا على عبء العمل الخاص بك؛ حتى لو كان أساسيًا مثل T4 سيسرع بشكل ملحوظ من تدريب النموذج الخاص بك.
  4. ضع علامة في المربع "تثبيت برنامج التشغيل NVIDIA GPU تلقائيًا عند بدء التشغيل لأول مرة؟" لإعداد خالٍ من المتاعب.
  5. خصص قرص SSD ثابت بسعة 300 جيجابايت لضمان عدم حدوث اختناق في عمليات الإدخال/الإخراج.
  6. اضغط على "نشر" ودع برنامج GCP يقوم بسحره في توفير جهازك الافتراضي المخصص للتعلم العميق.

يأتي هذا الجهاز الافتراضي محملاً بكنز دفين من الأدوات والأطر المثبتة مسبقًا، بما في ذلك توزيع Anaconda Python ، والذي يجمع بشكل ملائم جميع التبعيات الضرورية ل YOLOv5.

توضيح سوق GCP Marketplace لإعداد جهاز افتراضي للتعلم العميق

الخطوة 2: تجهيز الجهاز الافتراضي ل YOLOv5

بعد إعداد البيئة، دعنا نبدأ تشغيل 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

تضمن لك عملية الإعداد هذه أنك تعمل مع بيئة Python الإصدار 3.8.0 أو أحدث و PyTorch 1.8 أو أعلى. تقوم البرامج النصية الخاصة بنا بتنزيل النماذج ومجموعات البيانات بسلاسة مباشرةً من أحدثإصدار YOLOv5 مما يجعل بدء تدريب النموذج خاليًا من المتاعب.

الخطوة 3: تدريب نماذج YOLOv5 ونشرها

بعد اكتمال الإعداد، تكون جاهزًا للخوض في التدريب والاستدلال باستخدام YOLOv5 على جهاز GCP الافتراضي الخاص بك:

# 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

من خلال بضعة أوامر فقط، يسمح لك YOLOv5 بتدريب نماذج مخصصة للكشف عن الكائنات مصممة خصيصًا لتلبية احتياجاتك الخاصة أو استخدام أوزان مدربة مسبقًا للحصول على نتائج سريعة في مجموعة متنوعة من المهام.

صورة أمر طرفية توضح تدريب النموذج على جهاز افتراضي للتعلم العميق من GCP

تخصيص مساحة مبادلة (اختياري)

بالنسبة لأولئك الذين يتعاملون مع مجموعات البيانات الضخمة، ضع في اعتبارك تضخيم مثيل GCP الخاص بك بذاكرة مبادلة إضافية بسعة 64 جيجابايت:

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

تدريب مجموعات البيانات المخصصة

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

  1. قم بإعداد مجموعة البيانات بتنسيق YOLOv5 (الصور والتسميات)
  2. قم بتحميل مجموعة بياناتك إلى جهاز GCP الافتراضي الخاص بك باستخدام gcloud أو SCP
  3. إنشاء ملف YAML لمجموعة بيانات يحدد المسارات والفئات
  4. ابدأ التدريب باستخدام المعلمات المناسبة:
python train.py --img 640 --batch 16 --epochs 100 --data custom.yaml --weights yolov5s.pt

لمزيد من الإرشادات التفصيلية حول التدريب باستخدام مجموعات البيانات المخصصة، راجع وثائقUltralytics YOLOv5 .

الاستفادة من التخزين السحابي

لإدارة البيانات بكفاءة، قم بدمج سير عمل YOLOv5 مع التخزين السحابي من Google Cloud Storage:

# Install Google Cloud SDK if not already installed
curl https://sdk.cloud.google.com | bash
gcloud init

# Copy data to/from Cloud Storage
gsutil cp -r gs://your-bucket/dataset ./
gsutil cp -r ./runs/train/exp/weights gs://your-bucket/models/

يسمح لك هذا النهج بتخزين مجموعات البيانات الكبيرة والنماذج المدرّبة بأمان في السحابة مع الحفاظ على الحد الأدنى من متطلبات تخزين الأجهزة الافتراضية.

خواطر ختامية

تهانينا! لقد تم تمكينك الآن من تسخير إمكانيات YOLOv5 مع البراعة الحسابية لمنصة السحابة Google . يوفر هذا المزيج قابلية التوسع والكفاءة وتعدد الاستخدامات لمهام اكتشاف الكائنات الخاصة بك. سواء للمشاريع الشخصية، أو الأبحاث الأكاديمية، أو التطبيقات الصناعية، فقد اتخذت خطوة محورية في عالم الذكاء الاصطناعي والتعلم الآلي على السحابة.

تذكّر توثيق رحلتك ومشاركة الأفكار مع مجتمع Ultralytics والاستفادة من الساحات التعاونية مثل مناقشات GitHub لتحقيق المزيد من النمو. والآن، انطلق وابتكر مع YOLOv5 وGCP!

هل ترغب في مواصلة تحسين مهاراتك ومعرفتك في تعلّم الآلة؟ تعمّق في وثائقنا ودروسنا التعليمية للحصول على المزيد من الموارد. دع مغامرتك في الذكاء الاصطناعي تستمر!

📅 تم إنشاؤها منذ 1 سنة مضت ✏️ تم التحديث منذ 9 أيام
غلين-جوتشر ألترالتيكسيستانتست رضوان منور برهان-ق

التعليقات