Mastering YOLOv5 🚀 Einsatz auf Google Cloud Platform (GCP) Deep Learning Virtual Machine (VM) ⭐

Sich auf die Reise der künstlichen Intelligenz und des maschinellen Lernens zu begeben, kann aufregend sein, vor allem, wenn du die Leistung und Flexibilität einer Cloud-Plattform nutzt. Google Cloud Platform (GCP) bietet robuste Tools, die auf Machine Learning-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 führen wir dich durch den Prozess der Einrichtung von YOLOv5 auf einer GCP Deep Learning VM. Ganz gleich, ob du deine ersten Schritte im Bereich ML unternimmst oder ein erfahrener Praktiker bist, dieser Leitfaden soll dir einen klaren Weg zur Implementierung von Objekterkennungsmodellen auf Basis von YOLOv5 aufzeigen.

Und wenn du ein neuer GCP-Benutzer bist, hast du Glück: Du bekommst ein kostenloses Guthaben von 300 Dollar, um deine Projekte zu starten.

Entdecken Sie neben GCP auch andere Schnellstartoptionen für YOLOv5, wie z. B. unsere Colab Notebook für ein browserbasiertes Erlebnis, oder die Skalierbarkeit von Amazon AWS. Außerdem können Container-Liebhaber unser offizielles Docker-Image unter Docker Hub für eine gekapselte Umgebung.

Schritt 1: Erstelle und konfiguriere deine Deep Learning-VM

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

1. Gehe auf den GCP-Marktplatz und wähle die Deep Learning VM aus.
2. Entscheide dich für eine n1-standard-8 Instanz; sie bietet ein Gleichgewicht von 8 vCPUs und 30 GB Speicher, ideal für unsere Bedürfnisse.
3. Als Nächstes wählst du einen Grafikprozessor aus. Das hängt von deinem Arbeitsaufwand ab; selbst ein einfacher Prozessor wie der Tesla T4 wird dein Modelltraining deutlich beschleunigen.
4. Aktiviere das Kontrollkästchen "NVIDIA-GPU-Treiber beim ersten Start automatisch installieren", um eine problemlose Einrichtung zu gewährleisten.
5. Weise eine 300 GB SSD Persistent Disk zu, um sicherzustellen, dass du keinen Engpass bei E/A-Operationen hast.
6. Drücke auf "Bereitstellen" und lass GCP seine Magie bei der Bereitstellung deiner benutzerdefinierten Deep Learning-VM spielen.

Diese VM wird mit einem Schatz an vorinstallierten Tools und Frameworks ausgeliefert, darunter die Anaconda Python Distribution, die alle notwendigen Abhängigkeiten für YOLOv5 bündelt.

Schritt 2: Bereite die VM für YOLOv5

Nachdem wir die Umgebung eingerichtet haben, können wir YOLOv5 zum Laufen bringen:

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

# Change the directory to the cloned repository
cd yolov5

# Install the necessary Python packages from requirements.txt
pip install -r requirements.txt

Dieser Einrichtungsprozess stellt sicher, dass du mit einer Python Umgebung der Version 3.8.0 oder neuer und PyTorch 1.8 oder höher arbeitest. Unsere Skripte laden problemlos Modelle und Datensätze aus der neuestenVersion von YOLOv5 herunter, sodass du problemlos mit dem Modelltraining beginnen kannst.

Schritt 3: Trainiere und setze deine YOLOv5 Modelle ein 🌐.

Wenn die Einrichtung abgeschlossen ist, kannst du mit YOLOv5 auf deiner GCP-VM mit dem Training und der Inferenz beginnen:

# Train a model on your data
python train.py

# Validate the trained model for Precision, Recall, and mAP
python val.py --weights yolov5s.pt

# Run inference using the trained model on your images or videos
python detect.py --weights yolov5s.pt --source path/to/images

# Export the trained model to other formats for deployment
python export.py --weights yolov5s.pt --include onnx coreml tflite

Mit nur wenigen Befehlen kannst du mit YOLOv5 eigene, auf deine Bedürfnisse zugeschnittene Modelle für die Objekterkennung trainieren oder bereits trainierte Gewichte für schnelle Ergebnisse bei einer Vielzahl von Aufgaben verwenden.

Zuweisung von Swap Space (optional)

Wenn du mit großen Datenmengen zu tun hast, solltest du deine GCP-Instanz mit zusätzlichen 64 GB Swap-Speicher erweitern:

sudo fallocate -l 64G /swapfile
sudo chmod 600 /swapfile
sudo mkswap /swapfile
sudo swapon /swapfile
free -h  # confirm the memory increment

Abschließende Überlegungen

Herzlichen Glückwunsch! Du bist jetzt in der Lage, die Fähigkeiten von YOLOv5 mit der Rechenleistung der Google Cloud Platform zu nutzen. Diese Kombination bietet Skalierbarkeit, Effizienz und Vielseitigkeit für deine Objekterkennungsaufgaben. Ob für persönliche Projekte, akademische Forschung oder industrielle Anwendungen - du hast einen entscheidenden Schritt in die Welt der KI und des maschinellen Lernens in der Cloud gemacht.

Vergiss nicht, deine Reise zu dokumentieren, Erkenntnisse mit der Ultralytics Community zu teilen und die kollaborativen Foren wie GitHub-Diskussionen zu nutzen, um weiter zu wachsen. Und nun geh los und erlebe Innovationen mit YOLOv5 und GCP! 🌟

Willst du deine ML-Fähigkeiten und dein Wissen weiter verbessern? In unserer Dokumentation und unseren Tutorials findest du weitere Ressourcen. Lass dein KI-Abenteuer weitergehen!

Kommentare