Meisterung der YOLOv5-Bereitstellung auf einer Google Cloud Platform (GCP) Deep Learning VM
Der Einstieg in künstliche Intelligenz (KI) und maschinelles Lernen (ML) kann aufregend sein, besonders wenn du die Leistung und Flexibilität einer Cloud-Computing-Plattform nutzt. Die Google Cloud Platform (GCP) bietet robuste Werkzeuge, die sowohl auf ML-Enthusiasten als auch auf Profis zugeschnitten sind. Eines dieser Werkzeuge 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 ML machst oder ein erfahrener Praktiker bist, dieser Leitfaden bietet einen klaren Weg zur Implementierung von Objekterkennungs-Modellen, die von YOLOv5 unterstützt werden.
🆓 Außerdem hast du als neuer GCP-Nutzer Glück: Es gibt ein Guthaben-Angebot von 300 $, um deine Projekte zu starten.
Erkunde neben GCP weitere zugängliche Schnellstartoptionen für YOLOv5, wie unser Google Colab Notebook 
für eine browserbasierte Erfahrung oder die Skalierbarkeit von Amazon AWS. Darüber hinaus können Container-Liebhaber unser offizielles Docker-Image nutzen, das auf Docker Hub 
Schritt 1: Erstelle und konfiguriere deine Deep Learning VM
Beginnen wir mit der Erstellung einer virtuellen Maschine, die für Deep Learning optimiert ist:
- Navigiere zum GCP Marketplace und wähle die Deep Learning VM aus.
- Wähle eine n1-standard-8-Instanz; sie bietet ein Gleichgewicht aus 8 vCPUs und 30 GB Speicher, was für viele ML-Aufgaben geeignet ist.
- Wähle eine GPU aus. Die Wahl hängt von deiner Arbeitslast ab; selbst eine einfache T4 GPU wird das Modelltraining erheblich beschleunigen.
- Aktiviere das Kontrollkästchen für 'Install NVIDIA GPU driver automatically on first startup?', um eine reibungslose Einrichtung zu gewährleisten.
- Weise einen 300 GB SSD Persistent Disk zu, um I/O-Engpässe zu vermeiden.
- Klicke auf 'Deploy' und erlaube GCP, deine benutzerdefinierte Deep Learning VM bereitzustellen.
Diese VM ist mit wichtigen Werkzeugen und Frameworks vorinstalliert, einschließlich der Anaconda Python-Distribution, die bequem viele notwendige Abhängigkeiten für YOLOv5 bündelt.
Schritt 2: Bereite die VM für YOLOv5 vor
Nachdem du die Umgebung eingerichtet hast, lass uns YOLOv5 installieren und vorbereiten:
# Clone the YOLOv5 repository
git clone https://github.com/ultralytics/yolov5
cd yolov5
# Install dependencies
pip install -r requirements.txtDieser 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 den Start des Modelltrainings vereinfacht.
Schritt 3: Trainiere und stelle deine YOLOv5-Modelle bereit
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 tfliteMit 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 Exportieren verschiedene Modell-Bereitstellungsoptionen.
Swap-Speicher zuweisen (optional)
Wenn du mit besonders großen Datensätzen arbeitest, die den RAM deiner VM überschreiten könnten, solltest du in Erwägung ziehen, Swap-Speicher hinzuzufügen, 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 -hTrainieren mit benutzerdefinierten Datensätzen
Um YOLOv5 mit deinem eigenen Datensatz innerhalb von GCP zu trainieren, befolge diese allgemeinen Schritte:
-
Bereite deinen Datensatz gemäß dem YOLOv5-Format vor (Bilder und entsprechende Label-Dateien). Siehe unsere Datensatz-Übersicht für Anleitungen.
-
Lade deinen Datensatz mit
gcloud compute scpoder der SSH-Funktion der Webkonsole auf deine GCP-VM hoch. -
Erstelle eine YAML-Datei zur Datensatzkonfiguration (
custom_dataset.yaml), die die Pfade zu deinen Trainings- und Validierungsdaten, die Anzahl der Klassen und die Klassennamen angibt. -
Beginne den Trainingsprozess unter Verwendung deines benutzerdefinierten Datensatz-YAMLs, möglicherweise beginnend 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
Für umfassende Anweisungen zur Vorbereitung von Daten und zum Training mit benutzerdefinierten Datensätzen konsultiere die Ultralytics YOLOv5-Train-Dokumentation.
Cloud Storage nutzen
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
Glückwunsch! Du bist nun bestens gerüstet, um die Funktionen von Ultralytics YOLOv5 in Kombination mit der Rechenleistung der Google Cloud Platform zu nutzen. Diese Einrichtung 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 der KI und des ML in der Cloud getan.
Erwäge die Nutzung der Ultralytics-Plattform für ein optimiertes No-Code-Erlebnis, um deine Modelle zu trainieren und zu verwalten.
Denke daran, deinen Fortschritt zu dokumentieren, Erkenntnisse mit der lebendigen Ultralytics-Community zu teilen und Ressourcen wie GitHub-Diskussionen für Zusammenarbeit und Unterstützung zu nutzen. Nun geh hinaus und entwickle Innovationen mit YOLOv5 und GCP!
Möchtest du deine ML-Fähigkeiten weiter verbessern? Tauche in unsere Dokumentation ein und erkunde den Ultralytics-Blog für weitere Tutorials und Einblicke. Lass dein KI-Abenteuer weitergehen!