Dominio de YOLOv5 🚀 Despliegue en la máquina virtual (VM) de aprendizaje profundo de Google Cloud Platform (GCP) ⭐

Embarcarse en el viaje de la inteligencia artificial y el aprendizaje automático puede ser estimulante, especialmente cuando aprovechas la potencia y flexibilidad de una plataforma en la nube. Google Cloud Platform (GCP) ofrece sólidas herramientas adaptadas tanto a los entusiastas como a los profesionales del aprendizaje automático. Una de estas herramientas es la VM de Aprendizaje Profundo, que está preconfigurada para tareas de ciencia de datos y ML. En este tutorial, navegaremos por el proceso de configuración de YOLOv5 en una VM de Aprendizaje Profundo de GCP. Tanto si estás dando tus primeros pasos en ML como si eres un profesional experimentado, esta guía está diseñada para proporcionarte un camino claro hacia la implementación de modelos de detección de objetos basados en YOLOv5.

🆓 Además, si eres un nuevo usuario de GCP, estás de suerte con una oferta de crédito gratuito de 300 $ para poner en marcha tus proyectos.

Además de GCP, explora otras opciones accesibles de inicio rápido para YOLOv5, como nuestro Cuaderno Colab para una experiencia basada en navegador, o la escalabilidad de Amazon AWS. Además, los aficionados a los contenedores pueden utilizar nuestra imagen Docker oficial en Hub Docker para un entorno encapsulado.

Paso 1: Crea y configura tu máquina virtual de aprendizaje profundo

Empecemos creando una máquina virtual preparada para el aprendizaje profundo:

1. Dirígete al mercado GCP y selecciona la máquina virtual de Aprendizaje Profundo.
2. Opta por una instancia n1-estándar-8; ofrece un equilibrio de 8 vCPUs y 30 GB de memoria, ideal para nuestras necesidades.
3. A continuación, selecciona una GPU. Esto depende de tu carga de trabajo; incluso una básica como la Tesla T4 acelerará notablemente el entrenamiento de tu modelo.
4. Marca la casilla "¿Instalar automáticamente el controlador de GPU NVIDIA en el primer inicio?" para una configuración sin complicaciones.
5. Asigna un Disco Persistente SSD de 300 GB para asegurarte de que no se produce un cuello de botella en las operaciones de E/S.
6. Pulsa "Desplegar" y deja que GCP haga su magia para aprovisionar tu máquina virtual de Aprendizaje Profundo personalizada.

Esta máquina virtual viene cargada con un tesoro de herramientas y marcos de trabajo preinstalados, incluida la distribución Anaconda Python , que incluye convenientemente todas las dependencias necesarias para YOLOv5.

Paso 2: Prepara la máquina virtual para YOLOv5

Una vez configurado el entorno, vamos a poner en marcha YOLOv5 :

# 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

Este proceso de configuración garantiza que trabajas con un entorno Python versión 3.8.0 o superior y PyTorch 1.8 o superior. Nuestros scripts descargan sin problemas los modelos y conjuntos de datos de la últimaversión de YOLOv5 , lo que facilita el inicio del entrenamiento de modelos.

Paso 3: Entrena y despliega tus modelos YOLOv5 🌐

Una vez completada la configuración, estás listo para adentrarte en el entrenamiento y la inferencia con YOLOv5 en tu VM de GCP:

# 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

Con sólo unos comandos, YOLOv5 te permite entrenar modelos personalizados de detección de objetos adaptados a tus necesidades específicas o utilizar pesos preentrenados para obtener resultados rápidos en una gran variedad de tareas.

Asignar espacio de intercambio (opcional)

Para los que trabajan con grandes conjuntos de datos, considera la posibilidad de ampliar tu instancia de GCP con 64 GB adicionales de memoria swap:

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

Reflexiones finales

¡Enhorabuena! Ahora puedes aprovechar las capacidades de YOLOv5 con la destreza computacional de Google Cloud Platform. Esta combinación proporciona escalabilidad, eficacia y versatilidad para tus tareas de detección de objetos. Ya sea para proyectos personales, investigación académica o aplicaciones industriales, has dado un paso fundamental en el mundo de la IA y el aprendizaje automático en la nube.

Recuerda documentar tu viaje, compartir tus ideas con la comunidad de Ultralytics y aprovechar los foros de colaboración, como los debates de GitHub, para seguir creciendo. Ahora, ¡adelante e innova con YOLOv5 y GCP! 🌟

¿Quieres seguir mejorando tus habilidades y conocimientos de ML? Sumérgete en nuestra documentación y tutoriales para obtener más recursos. ¡Que continúe tu aventura con la IA!

Comentarios