Maîtriser YOLOv5 🚀 Déploiement sur Google Cloud Platform (GCP) Deep Learning Virtual Machine (VM) ⭐

Se lancer dans l'aventure de l'intelligence artificielle et de l'apprentissage automatique peut être exaltant, en particulier lorsque vous tirez parti de la puissance et de la flexibilité d'une plateforme en nuage. Google Cloud Platform (GCP) offre des outils robustes conçus pour les passionnés et les professionnels de l'apprentissage automatique. L'un de ces outils est la Deep Learning VM qui est préconfigurée pour les tâches de science des données et de ML. Dans ce tutoriel, nous allons parcourir le processus de configuration de YOLOv5 sur une Deep Learning VM de 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 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 pour un environnement encapsulé.

Étape 1 : Créer et configurer votre VM de Deep Learning

Commençons par créer une machine virtuelle adaptée à l'apprentissage profond :

1. Rendez-vous sur la place de marché GCP et sélectionnez la VM Deep Learning.
2. Optez pour une instance n1-standard-8; elle offre un équilibre de 8 vCPUs et 30 GB de mémoire, idéalement adapté à nos besoins.
3. 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.
4. Cochez la case "Installer le pilote NVIDIA GPU automatiquement au premier démarrage" pour une installation sans problème.
5. Allouez un disque persistant SSD de 300 Go pour éviter tout goulot d'étranglement au niveau des opérations d'E/S.
6. 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 récente et PyTorch 1.8 ou supérieure. Nos scripts téléchargent en douceur les modèles et les ensembles de données issus de la dernièreversion de YOLOv5 , ce qui facilite 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 de pagination (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

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 !

📅C réé il y a 1 an ✏️ Mis à jour il y a 2 mois

Commentaires