Link to this sectionMaîtriser le déploiement de YOLOv5 sur une machine virtuelle Deep Learning de Google Cloud Platform (GCP)#

Se lancer dans l'aventure de l'intelligence artificielle (IA) et de l'apprentissage automatique (ML) peut être exaltant, surtout quand tu exploites la puissance et la flexibilité d'une plateforme de cloud computing. Google Cloud Platform (GCP) propose des outils robustes conçus aussi bien pour les passionnés que pour les professionnels du ML. L'un de ces outils est la Deep Learning VM, préconfigurée pour les tâches de science des données et de ML. Dans ce tutoriel, nous allons parcourir le processus d'installation d'Ultralytics YOLOv5 sur une GCP Deep Learning VM. Que tu fasses tes premiers pas dans le ML ou que tu sois un praticien chevronné, ce guide t'offre un chemin clair pour implémenter des modèles de détection d'objets propulsés par YOLOv5.

🆓 De plus, si tu es un nouvel utilisateur GCP, tu as de la chance avec une offre de crédit gratuit de 300 $ pour donner le coup d'envoi à tes projets.

En plus de GCP, explore d'autres options de démarrage rapide accessibles pour YOLOv5, comme notre Google Colab Notebook pour une expérience basée sur le navigateur, ou l'évolutivité d'Amazon AWS. Par ailleurs, les aficionados des conteneurs peuvent utiliser notre image Docker officielle disponible sur Docker Hub pour un environnement encapsulé, en suivant notre Guide de démarrage rapide Docker.

Link to this sectionÉtape 1 : Créer et configurer ta Deep Learning VM#

Commençons par créer une machine virtuelle optimisée pour le deep learning :

1. Navigue vers le marketplace GCP et sélectionne la Deep Learning VM.
2. Choisis une instance n1-standard-8 ; elle offre un équilibre de 8 vCPU et 30 Go de mémoire, adapté à de nombreuses tâches de ML.
3. Sélectionne un GPU. Le choix dépend de ta charge de travail ; même un GPU T4 de base accélérera significativement l'entraînement de tes modèles.
4. Coche la case 'Installer automatiquement le pilote NVIDIA GPU au premier démarrage ?' pour une configuration sans accroc.
5. Alloue un disque persistant SSD de 300 Go pour éviter les goulots d'étranglement des E/S.
6. Clique sur 'Déployer' et laisse GCP provisionner ta Deep Learning VM personnalisée.

Cette VM arrive préchargée avec des outils et frameworks essentiels, incluant la distribution Anaconda Python, qui regroupe de manière pratique de nombreuses dépendances nécessaires pour YOLOv5.

Link to this sectionÉtape 2 : Préparer la VM pour YOLOv5#

Une fois l'environnement configuré, installons et préparons YOLOv5 :

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

# Install dependencies
pip install -r requirements.txt

Ce processus d'installation garantit que tu possèdes une version d'environnement Python 3.8.0 ou plus récente et PyTorch 1.8 ou version ultérieure. Nos scripts téléchargent automatiquement les modèles et les datasets à partir de la dernière version de YOLOv5, simplifiant ainsi le démarrage de l'entraînement des modèles.

Link to this sectionÉtape 3 : Entraîner et déployer tes modèles YOLOv5#

Une fois la configuration terminée, tu es prêt à entraîner, valider, prédire et exporter avec YOLOv5 sur ta VM GCP :

# 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

En utilisant seulement quelques commandes, YOLOv5 te permet d'entraîner des modèles de détection d'objets personnalisés adaptés à tes besoins spécifiques, ou d'utiliser des poids pré-entraînés pour des résultats rapides sur diverses tâches. Explore différentes options de déploiement de modèles après l'exportation.

Link to this sectionAllouer de l'espace de swap (optionnel)#

Si tu travailles avec des datasets particulièrement volumineux qui pourraient dépasser la RAM de ta VM, envisage d'ajouter de l'espace de swap pour éviter les erreurs de mémoire :

# 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

Link to this sectionEntraîner sur des datasets personnalisés#

Pour entraîner YOLOv5 sur ton propre dataset au sein de GCP, suis ces étapes générales :

1. Prépare ton dataset selon le format YOLOv5 (images et fichiers d'étiquettes correspondants). Consulte notre aperçu des datasets pour obtenir des conseils.

2. Télécharge ton dataset sur ta VM GCP en utilisant gcloud compute scp ou la fonctionnalité SSH de la console web.

3. Crée un fichier YAML de configuration de dataset (custom_dataset.yaml) qui spécifie les chemins vers tes données d'entraînement et de validation, le nombre de classes, et les noms des classes.

4. Démarre le processus d'entraînement en utilisant le YAML de ton dataset personnalisé et en commençant potentiellement à partir de poids pré-entraînés :

   # 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

Pour des instructions complètes sur la préparation des données et l'entraînement avec des datasets personnalisés, consulte la documentation d'entraînement d'Ultralytics YOLOv5.

Link to this sectionExploiter Google Cloud Storage#

Pour une gestion efficace des données, surtout avec de gros datasets ou de nombreuses expériences, intègre ton workflow YOLOv5 avec 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/

Cette approche te permet de stocker de grands datasets et des modèles entraînés de manière sécurisée et rentable dans le cloud, minimisant les besoins de stockage sur ton instance VM.

Link to this sectionRéflexions finales#

Félicitations ! Tu es maintenant équipé pour exploiter les capacités d'Ultralytics YOLOv5 combinées à la puissance de calcul de Google Cloud Platform. Cette configuration offre évolutivité, efficacité et polyvalence pour tes projets de détection d'objets. Que ce soit pour une exploration personnelle, la recherche académique, ou la construction de solutions industrielles, tu as franchi une étape importante dans le monde de l'IA et du ML sur le cloud.

Envisage d'utiliser la Plateforme Ultralytics pour une expérience simplifiée et sans code afin d'entraîner et de gérer tes modèles.

N'oublie pas de documenter tes progrès, de partager tes connaissances avec la communauté dynamique Ultralytics, et d'utiliser des ressources comme les discussions GitHub pour la collaboration et le support. Maintenant, va de l'avant et innove avec YOLOv5 et GCP !

Tu souhaites continuer à améliorer tes compétences en ML ? Plonge dans notre documentation et explore le Blog Ultralytics pour plus de tutoriels et d'informations. Que ton aventure dans l'IA continue !