Padroneggiare YOLOv5 🚀 Distribuzione su Google Cloud Platform (GCP) Deep Learning Virtual Machine (VM) ⭐

Intraprendere il viaggio dell'intelligenza artificiale e dell'apprendimento automatico può essere esaltante, soprattutto se si sfrutta la potenza e la flessibilità di una piattaforma cloud. Google La Cloud Platform (GCP) offre strumenti robusti, pensati per gli appassionati e i professionisti dell'apprendimento automatico. Uno di questi strumenti è la Deep Learning VM, preconfigurata per attività di data science e ML. In questa esercitazione, ci occuperemo del processo di configurazione di YOLOv5 su una Deep Learning VM di GCP. Sia che stiate muovendo i primi passi nel campo del ML, sia che siate professionisti esperti, questa guida è stata pensata per fornirvi un percorso chiaro per l'implementazione di modelli di rilevamento degli oggetti basati su YOLOv5.

Inoltre, se siete nuovi utenti di GCP, siete fortunati grazie a un'offerta di credito gratuito di 300 dollari per dare il via ai vostri progetti.

Oltre a GCP, esplorate altre opzioni accessibili di avvio rapido per YOLOv5, come il nostro Taccuino Colab per un'esperienza basata su browser, o la scalabilità di Amazon AWS. Inoltre, gli appassionati di container possono utilizzare la nostra immagine Docker ufficiale all'indirizzo Hub Docker per un ambiente incapsulato.

Passo 1: Creare e configurare la macchina virtuale per l'apprendimento profondo

Iniziamo creando una macchina virtuale ottimizzata per il deep learning:

1. Andate sul marketplace GCP e selezionate la VM Deep Learning.
2. Scegliete un'istanza n1-standard-8; offre un equilibrio di 8 vCPU e 30 GB di memoria, ideale per le nostre esigenze.
3. Quindi, selezionare un GPU. Questo dipende dal carico di lavoro; anche uno di base come il T4 accelererà notevolmente l'addestramento del modello.
4. Spuntare la casella "Installa automaticamente il driver NVIDIA GPU al primo avvio?" per una configurazione senza problemi.
5. Allocare un disco persistente SSD da 300 GB per garantire che non si verifichino colli di bottiglia nelle operazioni di I/O.
6. Premete "Deploy" e lasciate che GCP faccia la sua magia nel provisioning della vostra macchina virtuale personalizzata per il Deep Learning.

Questa macchina virtuale viene fornita con un tesoro di strumenti e framework preinstallati, tra cui la distribuzione Anaconda Python , che raggruppa comodamente tutte le dipendenze necessarie per YOLOv5.

Passo 2: preparare la macchina virtuale per YOLOv5

Dopo aver configurato l'ambiente, si può avviare 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

Questo processo di configurazione assicura che si stia lavorando con un ambiente Python versione 3.8.0 o più recente e con una versione PyTorch 1.8 o superiore. I nostri script scaricano senza problemi i modelli e i set di dati dallaversione più recentedi YOLOv5 , rendendo semplice l'avvio dell'addestramento dei modelli.

Fase 3: addestramento e distribuzione dei modelli YOLOv5 🌐

Una volta completata la configurazione, si è pronti a iniziare la formazione e l'inferenza con YOLOv5 sulla 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

Con pochi comandi, YOLOv5 consente di addestrare modelli di rilevamento degli oggetti personalizzati in base alle proprie esigenze specifiche o di utilizzare pesi pre-addestrati per ottenere risultati rapidi su una serie di attività.

Allocare lo spazio di swap (opzionale)

Per chi ha a che fare con insiemi di dati molto consistenti, si consiglia di ampliare l'istanza GCP con 64 GB aggiuntivi di memoria di swap:

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

Riflessioni conclusive

Congratulazioni! Ora avete la possibilità di sfruttare le capacità di YOLOv5 con la potenza di calcolo di Google Cloud Platform. Questa combinazione offre scalabilità, efficienza e versatilità per le vostre attività di rilevamento degli oggetti. Che si tratti di progetti personali, di ricerca accademica o di applicazioni industriali, avete fatto un passo fondamentale nel mondo dell'intelligenza artificiale e dell'apprendimento automatico nel cloud.

Ricordatevi di documentare il vostro percorso, di condividere le intuizioni con la comunità di Ultralytics e di sfruttare le arene di collaborazione come le discussioni su GitHub per crescere ulteriormente. Ora, andate avanti e innovate con YOLOv5 e GCP! 🌟

Volete continuare a migliorare le vostre competenze e conoscenze di ML? Per ulteriori risorse, consultate la nostra documentazione e le nostre esercitazioni. Lasciate che la vostra avventura nell'intelligenza artificiale continui!

📅C reato 1 anno fa ✏️ Aggiornato 2 mesi fa

Commenti