تخطي إلى المحتوى

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

يمكن أن يكون الشروع في رحلة الذكاء الاصطناعي (AI) والتعلم الآلي (ML) أمرًا مبهجًا، خاصةً عندما تستفيد من قوة ومرونة منصة الحوسبة السحابية. تقدم منصة Google Cloud Platform (GCP) أدوات قوية مصممة خصيصًا لعشاق التعلم الآلي والمحترفين على حد سواء. وإحدى هذه الأدوات هي أداة التعلُّم العميق الافتراضية (Deep Learning VM)، والتي تم تهيئتها مسبقًا لمهام علوم البيانات وتعلم الآلة. في هذا البرنامج التعليمي، سوف ننتقل في هذا البرنامج التعليمي إلى عملية إعداد Ultralytics YOLOv5 على جهاز VM للتعلم العميق من GCP. سواء كنت تخطو خطواتك الأولى في التعلم الآلي أو كنت ممارسًا متمرسًا، يوفر هذا الدليل مسارًا واضحًا لتنفيذ نماذج اكتشاف الكائنات المدعومة من YOLOv5.

🆓 بالإضافة إلى ذلك، إذا كنت مستخدمًا جديدًا لـ 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 المتاحة على Docker Hub عمليات السحب من الرصيف لبيئة مغلفة، باتباع دليل البدء السريع لـ Docker.

الخطوة 1: إنشاء جهاز التعلم العميق الافتراضي وتهيئته

لنبدأ بإنشاء آلة افتراضية محسنة للتعلم العميق:

  1. انتقل إلى سوق GCP وحدد جهاز التعلم العميق الافتراضي.
  2. اختر مثيل n1-standard-8؛ فهو يوفر توازنًا بين 8 وحدات تحكم افتراضية و30 جيجابايت من الذاكرة، وهو مناسب للعديد من مهام تعلّم الآلة.
  3. اختر GPU. يعتمد الاختيار على عبء العمل الخاص بك؛ حتى أن GPU T4 الأساسية ستسرع من تدريب النموذج بشكل كبير.
  4. حدد المربع "تثبيت برنامج تشغيل NVIDIA GPU تلقائيًا عند بدء التشغيل لأول مرة؟" لإعداد سلس.
  5. قم بتخصيص قرص ثابت SSD بسعة 300 جيجابايت لمنع اختناقات الإدخال/الإخراج.
  6. انقر على "نشر" واسمح ل GCP بتوفير جهازك الافتراضي المخصص للتعلُّم العميق.

يأتي هذا الجهاز الافتراضي محملًا مسبقًا بالأدوات والأطر الأساسية، بما في ذلك توزيع Anaconda Python الذي يجمع العديد من التبعيات الضرورية ل YOLOv5 بشكل ملائم.

توضيح سوق GCP Marketplace لإعداد جهاز افتراضي للتعلم العميق

الخطوة 2: إعداد الجهاز الافتراضي ل YOLOv5

بعد إعداد البيئة، لنقم بتثبيت YOLOv5 وتجهيزه:

# 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

تضمن عملية الإعداد هذه أن يكون لديك بيئة Python الإصدار 3.8.0 أو أحدث و PyTorch 1.8 أو أحدث. تقوم البرامج النصية الخاصة بنا تلقائيًا بتنزيل النماذج ومجموعات البيانات من أحدثإصدار YOLOv5 مما يسهل عملية بدء تدريب النموذج.

الخطوة 3: تدريب نماذج YOLOv5 ونشرها

بعد اكتمال الإعداد، تكون جاهزًا للتدريب والتحقق والتنبؤ والتصدير باستخدام YOLOv5 على جهاز GCP الافتراضي الخاص بك:

# 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 عدد قليل من الأوامر، يمكّنك YOLOv5 من تدريب نماذج مخصصة للكشف عن الكائنات مصممة خصيصًا لتلبية احتياجاتك الخاصة أو استخدام أوزان مدربة مسبقًا للحصول على نتائج سريعة في مختلف المهام. استكشف خيارات نشر النماذج المختلفة بعد التصدير.

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

تخصيص مساحة مبادلة (اختياري)

إذا كنت تعمل مع مجموعات بيانات كبيرة بشكل خاص قد تتجاوز ذاكرة الوصول العشوائي الخاصة بجهازك الافتراضي، ففكر في إضافة مساحة مبادلة لمنع 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 البيانات المخصصة

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

  1. قم بإعداد مجموعة البيانات الخاصة بك وفقًا لتنسيق YOLOv5 (الصور وملفات التسمية المقابلة). راجع نظرة عامة على مجموعات البيانات للحصول على إرشادات.
  2. قم بتحميل مجموعة بياناتك إلى جهاز GCP الافتراضي الخاص بك باستخدام gcloud compute scp أو ميزة SSH لوحدة تحكم الويب SSH.
  3. إنشاء ملف YAML لتكوين مجموعة البيانات (custom_dataset.yaml) التي تحدد المسارات إلى بيانات التدريب والتحقق من الصحة، وعدد الأصناف، وأسماء الأصناف.
  4. ابدأ عملية التدريب باستخدام مجموعة بياناتك المخصصة YAML ومن المحتمل أن تبدأ من الأوزان المدربة 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

للحصول على إرشادات شاملة حول إعداد البيانات والتدريب باستخدام مجموعات بيانات مخصصة، راجع وثائقUltralytics YOLOv5 Train.

الاستفادة من التخزين السحابي

لإدارة البيانات بكفاءة، خاصةً مع مجموعات البيانات الكبيرة أو التجارب العديدة، قم بدمج سير عمل YOLOv5 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/

يسمح لك هذا النهج بتخزين مجموعات البيانات الكبيرة والنماذج المدرّبة بشكل آمن وفعال من حيث التكلفة في السحابة، مما يقلل من متطلبات التخزين على مثيل الجهاز الافتراضي.

خواطر ختامية

تهانينا! أنت الآن مُجهّز للاستفادة من إمكانيات Ultralytics YOLOv5 جنبًا إلى جنب مع القوة الحسابية لمنصة Google Cloud Platform. يوفر هذا الإعداد قابلية التوسع والكفاءة وتعدد الاستخدامات لمشاريع اكتشاف الكائنات الخاصة بك. سواءً للاستكشاف الشخصي أو البحث الأكاديمي أو بناء حلول صناعية، فقد خطوتَ خطوة مهمة في عالم الذكاء الاصطناعي والتعلم الآلي على السحابة.

ضع في اعتبارك استخدام Ultralytics HUB للحصول على تجربة مبسطة وخالية من التعليمات البرمجية لتدريب نماذجك وإدارتها.

تذكر توثيق تقدمك ومشاركة الأفكار مع مجتمع Ultralytics النابض بالحياة والاستفادة من الموارد مثل مناقشات GitHub للتعاون والدعم. والآن، انطلق وابتكر مع YOLOv5 وGCP!

هل ترغب في مواصلة تحسين مهاراتك في تعلّم الآلة؟ تعمق في وثائقنا واستكشف مدونةUltralytics للحصول على المزيد من البرامج التعليمية والرؤى. دع مغامرتك في الذكاء الاصطناعي تستمر!

📅 تم إنشاؤها منذ 1 سنة مضت ✏️ تم التحديث منذ 2 أيام

التعليقات