Beherrschung der YOLOv5-Bereitstellung auf der Google Cloud Platform (GCP) Deep Learning VM#

Der Einstieg in Artificial Intelligence (AI) und Machine Learning (ML) kann sehr spannend sein, besonders wenn du die Leistung und Flexibilität einer Cloud-Computing-Plattform nutzt. Die Google Cloud Platform (GCP) bietet robuste Tools, die auf ML-Enthusiasten und Profis gleichermaßen zugeschnitten sind. Ein solches Tool ist die Deep Learning VM, die für Data-Science- und ML-Aufgaben vorkonfiguriert ist. In diesem Tutorial gehen wir den Prozess der Einrichtung von Ultralytics YOLOv5 auf einer GCP Deep Learning VM durch. Egal, ob du deine ersten Schritte im Bereich ML machst oder ein erfahrener Anwender bist, dieser Leitfaden bietet einen klaren Weg zur Implementierung von Objekterkennungs-Modellen, die von YOLOv5 angetrieben werden.

🆓 Außerdem hast du als neuer GCP-Benutzer Glück mit einem $300-Guthaben-Angebot, um deine Projekte zu starten.

Entdecke neben GCP auch andere zugängliche Quickstart-Optionen für YOLOv5, wie unser Google Colab Notebook für ein browserbasiertes Erlebnis oder die Skalierbarkeit von Amazon AWS. Darüber hinaus können Container-Enthusiasten unser offizielles Docker-Image nutzen, das auf Docker Hub für eine gekapselte Umgebung verfügbar ist, indem sie unserem Docker Quickstart Guide folgen.

Schritt 1: Erstelle und konfiguriere deine Deep Learning VM#

Beginnen wir mit der Erstellung einer virtuellen Maschine, die für Deep Learning optimiert ist:

1. Navigiere zum GCP Marketplace und wähle die Deep Learning VM aus.
2. Wähle eine n1-standard-8-Instanz; sie bietet ein Gleichgewicht aus 8 vCPUs und 30 GB Arbeitsspeicher, was für viele ML-Aufgaben geeignet ist.
3. Wähle eine GPU aus. Die Wahl hängt von deiner Workload ab; selbst eine einfache T4 GPU beschleunigt das Modelltraining erheblich.
4. Aktiviere das Kontrollkästchen 'NVIDIA GPU-Treiber beim ersten Start automatisch installieren?' für eine reibungslose Einrichtung.
5. Weise einen 300 GB großen SSD Persistent Disk zu, um I/O-Engpässe zu vermeiden.
6. Klicke auf 'Deploy' und erlaube GCP, deine benutzerdefinierte Deep Learning VM bereitzustellen.

Diese VM wird mit wesentlichen Tools und Frameworks vorinstalliert geliefert, einschließlich der Anaconda Python-Distribution, die praktischerweise viele erforderliche Abhängigkeiten für YOLOv5 bündelt.

Schritt 2: Bereite die VM für YOLOv5 vor#

Nachdem du die Umgebung eingerichtet hast, installieren wir YOLOv5 und machen es einsatzbereit:

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

# Install dependencies
pip install -r requirements.txt

Dieser Einrichtungsprozess stellt sicher, dass du eine Python-Umgebung in Version 3.8.0 oder neuer und PyTorch 1.8 oder später hast. Unsere Skripte laden automatisch Modelle und Datensätze aus dem neuesten YOLOv5-Release herunter, was das Starten des Modelltrainings vereinfacht.

Schritt 3: Trainiere und implementiere deine YOLOv5-Modelle#

Nach Abschluss der Einrichtung bist du bereit zum Trainieren, Validieren, Vorhersagen und Exportieren mit YOLOv5 auf deiner GCP VM:

# 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

Mit nur wenigen Befehlen ermöglicht dir YOLOv5 das Trainieren benutzerdefinierter Objekterkennungs-Modelle, die auf deine spezifischen Bedürfnisse zugeschnitten sind, oder die Nutzung vortrainierter Gewichte für schnelle Ergebnisse bei verschiedenen Aufgaben. Entdecke nach dem Export verschiedene Optionen zur Modellbereitstellung.

Auslagerungsspeicher (Swap Space) zuweisen (optional)#

Wenn du mit besonders großen Datensätzen arbeitest, die den Arbeitsspeicher deiner VM übersteigen könnten, erwäge das Hinzufügen von Swap Space, um Speicherfehler zu vermeiden:

# 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

Training benutzerdefinierter Datensätze#

Um YOLOv5 mit deinem benutzerdefinierten Datensatz innerhalb von GCP zu trainieren, befolge diese allgemeinen Schritte:

1. Bereite deinen Datensatz gemäß dem YOLOv5-Format vor (Bilder und zugehörige Label-Dateien). Weitere Informationen findest du in unserer Datensatzübersicht.

2. Lade deinen Datensatz mit gcloud compute scp oder der SSH-Funktion der Web-Konsole auf deine GCP VM hoch.

3. Erstelle eine Datensatzkonfigurations-YAML-Datei (custom_dataset.yaml), die die Pfade zu deinen Trainings- und Validierungsdaten, die Anzahl der Klassen und die Klassennamen angibt.

4. Beginne den Trainingsprozess mit deiner benutzerdefinierten Datensatz-YAML und starte möglicherweise mit vortrainierten Gewichten:

   # 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

Ausführliche Anleitungen zur Datenaufbereitung und zum Training mit benutzerdefinierten Datensätzen findest du in der Ultralytics YOLOv5 Train-Dokumentation.

Nutzung von Cloud Storage#

Für ein effizientes Datenmanagement, insbesondere bei großen Datensätzen oder zahlreichen Experimenten, integriere deinen YOLOv5-Workflow mit 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/

Dieser Ansatz ermöglicht es dir, große Datensätze und trainierte Modelle sicher und kostengünstig in der Cloud zu speichern und so die Speicheranforderungen auf deiner VM-Instanz zu minimieren.

Abschließende Gedanken#

Herzlichen Glückwunsch! Du bist nun bestens gerüstet, um die Funktionen von Ultralytics YOLOv5 in Kombination mit der Rechenleistung der Google Cloud Platform zu nutzen. Dieses Setup bietet Skalierbarkeit, Effizienz und Vielseitigkeit für deine Objekterkennungsprojekte. Ob für persönliche Erkundungen, akademische Forschung oder den Aufbau industrieller Lösungen – du hast einen bedeutenden Schritt in die Welt von KI und ML in der Cloud getan.

Erwäge die Nutzung der Ultralytics Platform für eine optimierte, codefreie Erfahrung beim Trainieren und Verwalten deiner Modelle.

Vergiss nicht, deinen Fortschritt zu dokumentieren, Erkenntnisse mit der lebendigen Ultralytics-Community zu teilen und Ressourcen wie GitHub-Diskussionen für die Zusammenarbeit und Unterstützung zu nutzen. Geh jetzt hinaus und innoviere mit YOLOv5 und GCP!

Möchtest du deine ML-Fähigkeiten weiter verbessern? Tauche in unsere Dokumentation ein und entdecke den Ultralytics Blog für weitere Tutorials und Einblicke. Lass dein KI-Abenteuer weitergehen!