Maîtriser le déploiement de YOLOv5 sur Google Cloud Platform (GCP) Deep Learning VM
Se lancer dans l'aventure de l'intelligence artificielle et de l'apprentissage automatique peut être exaltant, surtout si l'on tire parti de la puissance et de la flexibilité d'une plateforme en nuage. Google Cloud Platform (GCP) propose des outils robustes conçus pour les passionnés et les professionnels de l'apprentissage automatique. 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 naviguer à travers le processus de configuration de YOLOv5 sur une Deep Learning VM GCP. Que vous fassiez vos premiers pas en ML ou que vous soyez un praticien chevronné, ce guide est conçu pour vous fournir un chemin clair vers la mise en œuvre de modèles de détection d'objets alimentés par YOLOv5.
🆓 De plus, si vous êtes un nouvel utilisateur de GCP, vous avez la chance de bénéficier d'une offre de crédit gratuit de 300 $ pour lancer vos projets.
En plus de GCP, explorez d'autres options de démarrage rapide accessibles pour YOLOv5, comme nos Carnet de notes Google Colab 
pour une expérience basée sur un navigateur, ou l'évolutivité de l'application Amazon AWS. En outre, les amateurs de conteneurs peuvent utiliser notre image Docker officielle à l'adresse suivante Hub Docker 
Étape 1 : Créer et configurer votre VM de Deep Learning
Commençons par créer une machine virtuelle adaptée à l'apprentissage profond :
- Rendez-vous sur la place de marché GCP et sélectionnez la VM Deep Learning.
- Optez pour une instance n1-standard-8; elle offre un équilibre de 8 vCPUs et 30 GB de mémoire, idéalement adapté à nos besoins.
- Ensuite, choisissez un GPU. Cela dépend de votre charge de travail ; même un modèle de base comme le T4 accélérera considérablement l'apprentissage de votre modèle.
- Cochez la case "Installer le pilote NVIDIA GPU automatiquement au premier démarrage" pour une installation sans problème.
- Allouez un disque persistant SSD de 300 Go pour éviter tout goulot d'étranglement au niveau des opérations d'E/S.
- Cliquez sur "Déployer" et laissez GCP faire sa magie en provisionnant votre VM de Deep Learning personnalisée.
Cette VM est livrée avec un trésor d'outils et de cadres préinstallés, y compris la distribution Anaconda Python , qui regroupe commodément toutes les dépendances nécessaires pour YOLOv5.
Étape 2 : Préparer la VM pour YOLOv5
Après avoir configuré l'environnement, nous allons mettre en place YOLOv5 et le faire fonctionner :
# 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
Ce processus d'installation garantit que vous travaillez avec un environnement Python version 3.8.0 ou plus récent et que vous disposez du logiciel PyTorch 1.8 ou supérieur. Nos scripts téléchargent en douceur les modèles et les ensembles de données directement à partir de la dernièreversion de YOLOv5 , ce qui facilite le démarrage de l'apprentissage des modèles.
Étape 3 : Former et déployer vos modèles YOLOv5
Une fois la configuration terminée, vous êtes prêt à vous lancer dans la formation et l'inférence avec YOLOv5 sur votre VM 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
En quelques commandes, YOLOv5 vous permet d'entraîner des modèles de détection d'objets personnalisés, adaptés à vos besoins spécifiques, ou d'utiliser des poids pré-entraînés pour obtenir des résultats rapides sur une variété de tâches.
Allocation de l'espace d'échange (facultatif)
Pour ceux qui traitent des ensembles de données volumineux, envisagez d'augmenter votre instance GCP avec 64 Go de mémoire d'échange supplémentaire :
sudo fallocate -l 64G /swapfile
sudo chmod 600 /swapfile
sudo mkswap /swapfile
sudo swapon /swapfile
free -h # confirm the memory increment
Formation d'ensembles de données personnalisés
Pour entraîner YOLOv5 sur votre jeu de données personnalisé dans GCP, suivez les étapes suivantes :
- Préparez votre jeu de données au format YOLOv5 (images et étiquettes).
- Téléchargez votre jeu de données sur votre VM GCP à l'aide de
gcloudou SCP - Créer un fichier YAML spécifiant les chemins et les classes de l'ensemble de données
- Commencez la formation avec les paramètres appropriés :
Pour des instructions plus détaillées sur l'entraînement avec des ensembles de données personnalisés, reportez-vous à la documentation d'Ultralytics YOLOv5 .
Exploiter le stockage en nuage
Pour une gestion efficace des données, intégrez votre flux de travail YOLOv5 à Google Cloud Storage :
# Install Google Cloud SDK if not already installed
curl https://sdk.cloud.google.com | bash
gcloud init
# Copy data to/from Cloud Storage
gsutil cp -r gs://your-bucket/dataset ./
gsutil cp -r ./runs/train/exp/weights gs://your-bucket/models/
Cette approche vous permet de stocker de grands ensembles de données et des modèles formés en toute sécurité dans le nuage, tout en réduisant au minimum les besoins de stockage de votre VM.
Réflexions finales
Félicitations ! Vous êtes maintenant en mesure d'exploiter les capacités de YOLOv5 avec les prouesses informatiques de Google Cloud Platform. Cette combinaison offre évolutivité, efficacité et polyvalence pour vos tâches de détection d'objets. Que ce soit pour des projets personnels, des recherches universitaires ou des applications industrielles, vous avez franchi une étape décisive dans le monde de l'IA et de l'apprentissage automatique sur le cloud.
N'oubliez pas de documenter votre parcours, de partager vos connaissances avec la communauté Ultralytics et d'exploiter les espaces de collaboration tels que les discussions GitHub pour continuer à progresser. Maintenant, allez de l'avant et innovez avec YOLOv5 et GCP !
Vous voulez continuer à améliorer vos compétences et vos connaissances en ML ? Plongez dans notre documentation et nos tutoriels pour obtenir davantage de ressources. Que l'aventure de l'IA continue !
