YOLOv5 auf einer Deep-Learning-VM der Google Cloud Platform (GCP) bereitstellen#

Der Einstieg in künstliche Intelligenz (AI) und maschinelles Lernen (ML) kann begeisternd sein, besonders wenn du die Leistungsfähigkeit und Flexibilität einer Cloud-Computing-Plattform nutzt. Die Google Cloud Platform (GCP) bietet leistungsstarke Werkzeuge für ML-Begeisterte und Fachleute. Dazu gehört die Deep-Learning-VM, die für Aufgaben der Datenwissenschaft und des maschinellen Lernens vorkonfiguriert ist. In diesem Tutorial richten wir Ultralytics YOLOv5 auf einer GCP-Deep-Learning-VM ein. Egal, ob du gerade erst mit ML anfängst oder bereits erfahren bist: Dieser Leitfaden zeigt dir, wie du mit YOLOv5 betriebene Modelle zur Objekterkennung implementierst.

🆓 Außerdem hast du als neuer GCP-Nutzer Glück: Mit einem Guthaben von 300 $ kannst du deine Projekte starten.

Neben GCP gibt es weitere leicht zugängliche Schnellstartoptionen für YOLOv5: Unser Google-Colab-Notebook bietet dir eine browserbasierte Umgebung, und Amazon AWS lässt sich flexibel skalieren. Wer Container bevorzugt, kann unser offizielles Docker-Image auf Docker Hub als gekapselte Umgebung verwenden. Folge dazu unserem Docker-Schnellstartleitfaden.

Schritt 1: Erstelle und konfiguriere deine Deep-Learning-VM#

Beginnen wir mit der Erstellung einer für Deep Learning optimierten virtuellen Maschine:

1. Rufe den GCP-Marktplatz auf und wähle Deep Learning VM aus.
2. Wähle eine n1-standard-8-Instanz aus. Sie bietet mit 8 vCPUs und 30 GB Arbeitsspeicher eine ausgewogene Ausstattung, die für viele ML-Aufgaben geeignet ist.
3. Wähle eine GPU aus. Welche GPU du brauchst, hängt von deiner Arbeitslast ab; selbst eine einfache T4-GPU beschleunigt das Modelltraining erheblich.
4. Aktiviere das Kontrollkästchen „Install NVIDIA GPU driver automatically on first startup?“, damit die Einrichtung reibungslos verläuft.
5. Weise eine persistente SSD-Festplatte mit 300 GB zu, um E/A-Engpässe zu vermeiden.
6. Klicke auf „Deploy“ und warte, bis GCP deine benutzerdefinierte Deep-Learning-VM bereitgestellt hat.

Diese VM enthält bereits wichtige Werkzeuge und Frameworks, darunter die Python-Distribution Anaconda, die viele der erforderlichen Abhängigkeiten für YOLOv5 praktischerweise bündelt.

Schritt 2: Bereite die VM für YOLOv5 vor#

Nachdem die Umgebung eingerichtet ist, 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

Bei dieser Einrichtung wird sichergestellt, dass du eine Python-Umgebung ab Version 3.8.0 und PyTorch ab Version 1.8 verwendest. Unsere Skripte laden Modelle und Datensätze automatisch aus der neuesten YOLOv5-Version herunter und vereinfachen so den Einstieg ins Modelltraining.

Schritt 3: Trainiere deine YOLOv5-Modelle und stelle sie bereit#

Nach abgeschlossener Einrichtung kannst du YOLOv5 auf deiner GCP-VM trainieren, validieren, Vorhersagen treffen und Modelle exportieren:

# 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 kannst du mit YOLOv5 benutzerdefinierte Modelle zur Objekterkennung trainieren, die auf deine Anforderungen zugeschnitten sind, oder vortrainierte Gewichte nutzen, um bei verschiedenen Aufgaben schnell Ergebnisse zu erzielen. Informiere dich nach dem Export über verschiedene Möglichkeiten zur Modellbereitstellung.

Swap-Speicher zuweisen (optional)#

Wenn du mit besonders großen Datensätzen arbeitest, die den RAM deiner VM möglicherweise übersteigen, solltest du Swap-Speicher hinzufügen, 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

Benutzerdefinierte Datensätze trainieren#

Gehe wie folgt vor, um YOLOv5 auf deinem benutzerdefinierten Datensatz in GCP zu trainieren:

1. Bereite deinen Datensatz im YOLOv5-Format vor (Bilder und zugehörige Labeldateien). Hinweise findest du in unserer Übersicht zu Datensätzen.

2. Lade deinen Datensatz mit gcloud compute scp oder über die SSH-Funktion der Webkonsole auf deine GCP-VM hoch.

3. Erstelle eine YAML-Datei zur Datensatzkonfiguration (custom_dataset.yaml). Sie gibt die Pfade zu deinen Trainings- und Validierungsdaten, die Anzahl der Klassen und die Klassennamen an.

4. Starte den Trainingsvorgang mit deiner benutzerdefinierten Datensatz-YAML-Datei und gegebenenfalls vortrainierten Gewichten als Ausgangspunkt:

   # 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

Eine umfassende Anleitung zur Datenaufbereitung und zum Training mit benutzerdefinierten Datensätzen findest du im Tutorial Benutzerdefinierte Daten trainieren.

Cloud-Speicher nutzen#

Für eine effiziente Datenverwaltung, insbesondere bei großen Datensätzen oder zahlreichen Experimenten, kannst du deinen YOLOv5-Workflow mit Google Cloud Storage verbinden:

# 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/

So kannst du große Datensätze und trainierte Modelle sicher und kostengünstig in der Cloud speichern und den benötigten Speicherplatz auf deiner VM verringern.

Abschließende Gedanken#

Glückwunsch! Du kannst jetzt die Möglichkeiten von Ultralytics YOLOv5 mit der Rechenleistung der Google Cloud Platform nutzen. Diese Einrichtung bietet Skalierbarkeit, Effizienz und Vielseitigkeit für deine Objekterkennungsprojekte. Ob du dich privat damit beschäftigst, wissenschaftlich forschst oder industrielle Lösungen entwickelst – du hast einen wichtigen Schritt in die Welt der KI und des ML in der Cloud gemacht.

Mit der Ultralytics Platform kannst du deine Modelle einfach und ohne Code trainieren und verwalten.

Dokumentiere deine Fortschritte, teile Erkenntnisse mit der lebendigen Ultralytics-Community und nutze Ressourcen wie GitHub Discussions, um dich auszutauschen und Unterstützung zu erhalten. Jetzt kannst du mit YOLOv5 und GCP durchstarten und Neues entwickeln!

Möchtest du deine ML-Kenntnisse weiter ausbauen? Stöbere in unserer Dokumentation und entdecke den Ultralytics Blog mit weiteren Tutorials und Einblicken. Dein KI-Abenteuer geht weiter!

Häufig gestellte Fragen#