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

Der Einstieg in die Welt der künstlichen Intelligenz (KI) und Machine Learning (ML) kann aufregend sein, besonders wenn du die Leistung und Flexibilität einer Cloud-Computing Plattform nutzt. Die Google Cloud Platform (GCP) bietet robuste Tools, die sowohl auf ML-Einsteiger als auch auf Profis 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 auf YOLOv5 basieren.

🆓 Außerdem hast du als neuer GCP-Nutzer Glück mit einem 300 $ Startguthaben-Angebot für den Start deiner Projekte.

Neben GCP kannst du auch andere zugängliche Schnellstartoptionen für YOLOv5 erkunden, wie unsere Google Colab Notebook für eine browserbasierte Erfahrung oder die Skalierbarkeit von Amazon AWS. Container-Liebhaber können zudem unser offizielles Docker-Image verwenden, das auf Docker Hub für eine gekapselte Umgebung verfügbar ist, indem du unserem Docker Schnellstart-Anleitung.

Schritt 1: Erstelle und konfiguriere deine Deep Learning VM

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

Navigiere zum GCP Marketplace und wähle die Deep Learning VM.
Wähle eine n1-standard-8 Instanz; sie bietet ein Gleichgewicht aus 8 vCPUs und 30 GB Arbeitsspeicher, was für viele ML-Aufgaben geeignet ist.
Wähle eine GPU. Die Wahl hängt von deiner Arbeitslast ab; selbst eine einfache T4 GPU beschleunigt das Modelltraining erheblich.
Aktiviere das Kontrollkästchen 'Install NVIDIA GPU driver automatically on first startup?' für eine reibungslose Einrichtung.
Weise eine 300 GB SSD Persistent Disk zu, um I/O-Engpässe zu vermeiden.
Klicke auf 'Deploy' und lass GCP deine benutzerdefinierte Deep Learning VM bereitstellen.

Diese VM ist mit wichtigen Tools und Frameworks vorinstalliert, einschließlich der Anaconda Python-Distribution, die praktischerweise viele notwendige Abhängigkeiten für YOLOv5 enthält.

GCP Marketplace Illustration der Einrichtung einer Deep Learning VM

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 sowie PyTorch 1.8 oder höher hast. Unsere Skripte laden automatisch Modellen und Datensätze vom neuesten YOLOv5 Release herunter, was den Start des Modelltrainings vereinfacht.

Schritt 3: Trainiere und stelle deine YOLOv5-Modelle bereit

Sobald die Einrichtung abgeschlossen ist, bist du bereit, train, validieren, predict, und export mit YOLOv5 auf deiner GCP VM zu starten:

# 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 Training benutzerdefinierter Objekterkennungs Modelle, die auf deine spezifischen Anforderungen zugeschnitten sind, oder die Nutzung vortrainierter Gewichte für schnelle Ergebnisse bei verschiedenen Aufgaben. Entdecke verschiedene Modell-Bereitstellungsoptionen nach dem Export.

YOLOv5 Modelltraining auf einer GCP VM

Auslagerungsspeicher (Swap Space) zuweisen (optional)

Wenn du mit besonders großen Datensätzen arbeitest, die den RAM deiner VM überschreiten könnten, erwäge das Hinzufügen von Auslagerungsspeicher, 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 mit benutzerdefinierten Datensätzen

Um YOLOv5 mit deinem eigenen Datensatz in 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 eine Anleitung.
Lade deinen Datensatz mit gcloud compute scp oder der SSH-Funktion der Web-Konsole 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 das Trainingsprozesses mit deinem 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

Für umfassende Anweisungen zur Datenvorbereitung und zum Training mit benutzerdefinierten Datensätzen konsultiere die Ultralytics YOLOv5 Trainingsdokumentation.

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 bereit, die Möglichkeiten 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 der KI und des ML in der Cloud gemacht.

Erwäge die Nutzung von an, oder verwende die für eine optimierte, No-Code-Erfahrung, um deine Modelle zu trainieren und zu verwalten.

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

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