Vai al contenuto

Mastering 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 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 questo tutorial ti illustreremo il processo di configurazione di YOLOv5 su una Deep Learning VM di GCP. Sia che tu stia muovendo i primi passi nel campo del ML, sia che tu sia un professionista esperto, questa guida è stata pensata per fornirti un percorso chiaro per l'implementazione di modelli di rilevamento degli oggetti basati su YOLOv5.

Inoltre, se sei un nuovo utente di GCP, sei fortunato grazie all'offerta di 300 dollari di credito gratuito per dare il via ai tuoi progetti.

Oltre a GCP, esplora altre opzioni accessibili di avvio rapido per YOLOv5, come il nostro Taccuino Colab Apri in 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 Docker Hub Docker tira per un ambiente incapsulato.

Passo 1: Creare e configurare la tua macchina virtuale per il Deep Learning

Iniziamo creando una macchina virtuale ottimizzata per il deep learning:

  1. Vai sul mercato GCP e seleziona la VM Deep Learning.
  2. Opta per un'istanza n1-standard-8; offre un equilibrio di 8 vCPU e 30 GB di memoria, ideale per le nostre esigenze.
  3. Quindi, seleziona una GPU. Questo dipende dal tuo carico di lavoro; anche una GPU di base come la Tesla T4 accelererà notevolmente la formazione del modello.
  4. Spunta la casella "Installa automaticamente il driver della GPU NVIDIA al primo avvio?" per una configurazione senza problemi.
  5. Alloca un disco persistente SSD da 300 GB per evitare che si verifichino colli di bottiglia nelle operazioni di I/O.
  6. Premi "Deploy" e lascia che GCP faccia la sua magia nel provisioning della tua VM 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 contiene tutte le dipendenze necessarie per YOLOv5.

GCP Marketplace illustra l'impostazione di una macchina virtuale per il Deep Learning

Passo 2: Preparare la macchina virtuale per YOLOv5

Dopo aver configurato l'ambiente, vediamo di mettere in funzione 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 stai lavorando con un ambiente Python versione 3.8.0 o più recente e PyTorch 1.8 o superiore. I nostri script scaricano senza problemi i modelli e i dataset renderizzati dall'ultimaversione di YOLOv5 , rendendo così semplice l'avvio dell'addestramento dei modelli.

Passo 3: Addestrare e distribuire i modelli di YOLOv5 🌐

Una volta completata la configurazione, sei pronto per iniziare la formazione e l'inferenza con YOLOv5 sulla tua 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 ti permette di addestrare modelli di rilevamento degli oggetti personalizzati in base alle tue esigenze specifiche o di utilizzare i pesi pre-addestrati per ottenere risultati rapidi su una serie di attività.

Immagine del comando del terminale che illustra l'addestramento del modello su una GCP Deep Learning VM

Allocare lo spazio di swap (opzionale)

Per chi ha a che fare con set di dati molto pesanti, considera la possibilità di ampliare la tua 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

Pensieri conclusivi

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

Ricordati di documentare il tuo 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, vai avanti e innova con YOLOv5 e GCP! 🌟

Vuoi continuare a migliorare le tue competenze e conoscenze di ML? Scopri la nostra documentazione e i nostri tutorial per ulteriori risorse. Lascia che la tua avventura nell'intelligenza artificiale continui!



Creato 2023-11-12, Aggiornato 2023-12-21
Autori: glenn-jocher (3)

Commenti