YOLOv5-Bereitstellung auf einer Deep-Learning-VM der Google-Cloud-Plattform (GCP) meistern#

Die Reise in die Welt der künstlichen Intelligenz (AI) und des maschinellen Lernens (ML) kann aufregend sein, insbesondere wenn du die Leistungsfähigkeit und Flexibilität einer Cloud-Computing-Plattform nutzt. Die Google-Cloud-Plattform (GCP) bietet leistungsfähige Werkzeuge, die gleichermaßen auf ML-Enthusiasten und Fachleute zugeschnitten sind. Ein solches Werkzeug ist die VM für Deep Learning, die für Data-Science- und ML-Aufgaben vorkonfiguriert ist. In diesem Tutorial zeigen wir dir, wie du Ultralytics YOLOv5 auf einer GCP-VM für Deep Learning einrichtest. Ganz gleich, ob du deine ersten Schritte im Bereich ML machst oder bereits über umfangreiche Erfahrung verfügst: Dieser Leitfaden bietet dir einen klaren Weg zur Implementierung von Objekterkennungsmodellen mit YOLOv5.

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

Neben GCP kannst du weitere leicht zugängliche Schnellstartoptionen für YOLOv5 erkunden, zum Beispiel unser Google-Colab-Notebook für die Nutzung im Browser oder die Skalierbarkeit von Amazon AWS. Außerdem können Container-Fans unser offizielles Docker-Image auf Docker Hub für eine gekapselte Umgebung verwenden, entsprechend unserem Docker-Schnellstartleitfaden.

Schritt 1: VM für Deep Learning erstellen und konfigurieren#

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

1. Rufe den GCP Marketplace auf und wähle die VM für Deep Learning aus.
2. Wähle eine n1-standard-8-Instanz aus. Sie bietet ein ausgewogenes Verhältnis aus 8 vCPUs und 30 GB Arbeitsspeicher und eignet sich für viele ML-Aufgaben.
3. Wähle eine GPU aus. Die richtige Wahl hängt von deiner Arbeitslast ab; selbst eine einfache T4 GPU beschleunigt das Modelltraining erheblich.
4. Aktiviere das Kontrollkästchen „NVIDIA GPU-Treiber beim ersten Start automatisch installieren?“, um eine reibungslose Einrichtung zu gewährleisten.
5. Weise eine 300 GB große SSD Persistent Disk zu, um I/O-Engpässe zu vermeiden.
6. Klicke auf „Deploy“ und warte, während GCP deine benutzerdefinierte VM für Deep Learning bereitstellt.

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

Schritt 2: VM für YOLOv5 vorbereiten#

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 Einrichtungsvorgang stellt sicher, dass du eine Python-Umgebung der Version 3.8.0 oder neuer sowie PyTorch 1.8 oder neuer verwendest. Unsere Skripte laden automatisch Modelle und Datensätze aus der neuesten YOLOv5-Version herunter und vereinfachen so den Einstieg in das Modelltraining.

Schritt 3: YOLOv5-Modelle trainieren und bereitstellen#

Nach Abschluss der Einrichtung kannst du YOLOv5 auf deiner GCP-VM zum Trainieren, Validieren, Vorhersagen und Exportieren verwenden:

# 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 Objekterkennungsmodelle trainieren, die auf deine spezifischen Anforderungen zugeschnitten sind, oder vortrainierte Gewichte verwenden, um schnell Ergebnisse für verschiedene Aufgaben zu erzielen. Nach dem Export kannst du verschiedene Optionen zur Modellbereitstellung ausprobieren.

Swap-Speicher zuweisen (optional)#

Wenn du mit besonders großen Datensätzen arbeitest, die den Arbeitsspeicher 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#

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

1. Bereite deinen Datensatz gemäß dem YOLOv5-Format vor (Bilder und die dazugehörigen Beschriftungsdateien). In unserer Übersicht zu Datensätzen findest du weitere Hinweise.

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

3. Erstelle eine YAML-Konfigurationsdatei für den Datensatz (custom_dataset.yaml), in der die Pfade zu deinen Trainings- und Validierungsdaten, die Anzahl der Klassen und die Klassennamen angegeben sind.

4. Starte den Trainingsprozess mit deiner benutzerdefinierten Datensatz-YAML-Datei und beginne bei Bedarf 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 Datenvorbereitung und zum Training mit benutzerdefinierten Datensätzen findest du in der Ultralytics-YOLOv5-Dokumentation zum Trainieren.

Cloud Storage nutzen#

Für eine effiziente Datenverwaltung, insbesondere bei großen Datensätzen oder zahlreichen Experimenten, kannst du deinen YOLOv5-Arbeitsablauf 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/

Mit diesem Ansatz kannst du große Datensätze und trainierte Modelle sicher und kostengünstig in der Cloud speichern und gleichzeitig den erforderlichen Speicherplatz auf deiner VM-Instanz reduzieren.

Abschließende Gedanken#

Herzlichen Glückwunsch! Du kannst nun die Möglichkeiten von Ultralytics YOLOv5 zusammen mit der Rechenleistung der Google-Cloud-Plattform nutzen. Diese Einrichtung bietet Skalierbarkeit, Effizienz und Vielseitigkeit für deine Objekterkennungsprojekte. Ganz gleich, ob du sie zur persönlichen Erkundung, für akademische Forschung oder zum Erstellen industrieller Lösungen einsetzt: Du hast einen wichtigen Schritt in die Welt von AI und ML in der Cloud gemacht.

Erwäge die Nutzung der Ultralytics-Plattform, um deine Modelle ohne Programmierung zu trainieren und zu verwalten.

Denke daran, deine Fortschritte zu dokumentieren, Erkenntnisse mit der aktiven Ultralytics-Community zu teilen und Ressourcen wie GitHub-Diskussionen für Zusammenarbeit und Support zu nutzen. Jetzt kannst du mit YOLOv5 und GCP innovative Projekte umsetzen!

Möchtest du deine ML-Kenntnisse weiter verbessern? Tauche in unsere Dokumentation ein und entdecke den Ultralytics-Blog mit weiteren Tutorials und Einblicken. Deine AI-Reise kann weitergehen!