Skip to content

Maîtriser YOLOv5 🚀 Déploiement sur Google Cloud Platform (GCP) Machine virtuelle d'apprentissage profond (VM) ⭐

Embarking on the journey of artificial intelligence and machine learning can be exhilarating, especially when you leverage the power and flexibility of a cloud platform. Google Cloud Platform (GCP) offers robust tools tailored for machine learning enthusiasts and professionals alike. One such tool is the Deep Learning VM that is preconfigured for data science and ML tasks. In this tutorial, we will navigate through the process of setting up YOLOv5 on a GCP Deep Learning VM. Whether you're taking your first steps in ML or you're a seasoned practitioner, this guide is designed to provide you with a clear pathway to implementing object detection models powered by YOLOv5.

🆓 Plus, if you're a fresh GCP user, you're in luck with a $300 free credit offer to kickstart your projects.

En plus de GCP, explore d'autres options de démarrage rapide accessibles pour YOLOv5, comme notre Carnet de notes Colab Open In Colab pour une expérience basée sur un navigateur, ou l'évolutivité de Amazon AWS. De plus, les aficionados des conteneurs peuvent utiliser notre image Docker officielle à l'adresse suivante . Hub Docker Les tirages de Docker pour un environnement encapsulé.

Étape 1 : créer et configurer ta VM de Deep Learning

Let's begin by creating a virtual machine that's tuned for deep learning:

  1. Dirige-toi vers la place de marché GCP et sélectionne la VM d'apprentissage profond.
  2. Opte pour une instance n1-standard-8; elle offre un équilibre de 8 vCPU et 30 Go de mémoire, idéalement adaptés à nos besoins.
  3. Ensuite, choisis un processeur graphique. Cela dépend de ta charge de travail ; même un basique comme le Tesla T4 accélérera nettement l'entraînement de ton modèle.
  4. Coche la case "Installer automatiquement le pilote du GPU NVIDIA au premier démarrage" pour une installation sans souci.
  5. Alloue un disque persistant SSD de 300 Go pour t'assurer de ne pas créer de goulot d'étranglement sur les opérations d'E/S.
  6. Appuie sur "Déployer" et laisse GCP faire sa magie en provisionnant ta VM personnalisée de Deep Learning.

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.

Illustration de la place de marché GCP pour la mise en place d'une VM de Deep Learning.

Étape 2 : Préparer la VM pour YOLOv5

Après la configuration de l'environnement, mettons YOLOv5 en marche :

# 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 tu travailles avec un environnement Python version 3.8.0 ou plus récente et PyTorch 1.8 ou plus récente. Nos scripts téléchargent en douceur les modèles et les ensembles de données à partir de la dernièreversion de YOLOv5 , ce qui permet de commencer l'apprentissage des modèles en toute simplicité.

Étape 3 : Former et déployer tes modèles YOLOv5 🌐

Une fois la configuration terminée, tu es prêt à te lancer dans l'entraînement et l'inférence avec YOLOv5 sur ta 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

Avec seulement quelques commandes, YOLOv5 te permet de former des modèles de détection d'objets personnalisés adaptés à tes besoins spécifiques ou d'utiliser des poids préformés pour obtenir des résultats rapides sur une variété de tâches.

Image de la commande du terminal illustrant l'entraînement d'un modèle sur une VM de Deep Learning du GCP.

Allocation de l'espace d'échange (facultatif)

Pour ceux qui traitent des ensembles de données volumineux, envisage d'amplifier ton 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 ! Tu as maintenant les moyens d'exploiter les capacités de YOLOv5 avec les prouesses informatiques de Google Cloud Platform. Cette combinaison offre évolutivité, efficacité et polyvalence pour tes tâches de détection d'objets. Que ce soit pour des projets personnels, des recherches universitaires ou des applications industrielles, tu as franchi une étape décisive dans le monde de l'IA et de l'apprentissage automatique sur le cloud.

N'oublie pas de documenter ton parcours, de partager tes idées avec la communauté Ultralytics et de tirer parti des espaces de collaboration tels que les discussions sur GitHub pour continuer à progresser. Maintenant, va de l'avant et innove avec YOLOv5 et GCP ! 🌟

Tu veux continuer à améliorer tes compétences et tes connaissances en ML ? Plonge dans notre documentation et nos tutoriels pour plus de ressources. Que l'aventure de l'IA se poursuive !



Created 2023-11-12, Updated 2024-06-02
Authors: glenn-jocher (5), Burhan-Q (1)

Commentaires