Google Cloud Platform (GCP) Deep Learning VM上でのYOLOv5デプロイメントのマスター
Embarking on the journey of artificial intelligence (AI) and machine learning (ML) can be exhilarating, especially when you leverage the power and flexibility of a cloud computing platform. Google Cloud Platform (GCP) offers robust tools tailored for ML enthusiasts and professionals alike. One such tool is the Deep Learning VM, preconfigured for data science and ML tasks. In this tutorial, we will navigate the process of setting up Ultralytics YOLOv5 on a GCP Deep Learning VM. Whether you're taking your first steps in ML or you're a seasoned practitioner, this guide provides a clear pathway to implementing object detection models powered by YOLOv5.
🆓 さらに、GCPを初めて利用される方は、プロジェクトを開始するための $300分の無料クレジット が提供されています。
In addition to GCP, explore other accessible quickstart options for YOLOv5, like our Google Colab Notebook 
for a browser-based experience, or the scalability of Amazon AWS. Furthermore, container aficionados can utilize our official Docker image available on Docker Hub 
ステップ1: Deep Learning VMの作成と構成
ディープラーニング に最適化された仮想マシンの作成から始めましょう:
- GCPマーケットプレイス に移動し、Deep Learning VM を選択します。
- n1-standard-8 インスタンスを選択してください。これは8つのvCPUと30GBのメモリのバランスが良く、多くのMLタスクに適しています。
- GPU を選択します。選択はワークロードによって異なりますが、基本的なT4 GPUであってもモデルのトレーニングを大幅に高速化できます。
- スムーズなセットアップのため、「初回起動時にNVIDIA GPUドライバーを自動的にインストールしますか?」というチェックボックスをオンにします。
- I/Oのボトルネックを防ぐために、300GBのSSD永続ディスクを割り当てます。
- 「デプロイ」をクリックし、GCPがカスタムDeep Learning VMをプロビジョニングするのを待ちます。
このVMには、YOLOv5に必要な多くの依存関係を便利にまとめた Anaconda Pythonディストリビューションを含む、不可欠なツールとフレームワークがプリロードされています。
ステップ2: YOLOv5のためのVM準備
環境のセットアップ後、YOLOv5をインストールして準備しましょう:
# Clone the YOLOv5 repository
git clone https://github.com/ultralytics/yolov5
cd yolov5
# Install dependencies
pip install -r requirements.txtThis setup process ensures you have a Python environment version 3.8.0 or newer and PyTorch 1.8 or later. Our scripts automatically download models and datasets from the latest YOLOv5 release, simplifying the process of starting model training.
ステップ3: YOLOv5モデルのトレーニングとデプロイ
セットアップが完了したら、GCP VM上でYOLOv5を使用して トレーニング、検証、予測、および エクスポート を行う準備が整いました:
# Train a YOLOv5 model on your dataset (e.g., yolov5s)
python train.py --data coco128.yaml --weights yolov5s.pt --img 640
# Validate the trained model to check Precision, Recall, and mAP
python val.py --weights yolov5s.pt --data coco128.yaml
# Run inference using the trained model on images or videos
python detect.py --weights yolov5s.pt --source path/to/your/images_or_videos
# Export the trained model to various formats like ONNX, CoreML, TFLite for deployment
python export.py --weights yolov5s.pt --include onnx coreml tfliteわずか数個のコマンドを使用して、YOLOv5により、特定のニーズに合わせたカスタム 物体検出 モデルのトレーニングや、さまざまなタスクで迅速な結果を得るための事前学習済みウェイトの使用が可能になります。エクスポート後は、さまざまな モデルデプロイメントオプション を確認してください。
スワップ領域の割り当て（オプション）
VMのRAMを超える可能性のある特に大規模なデータセットで作業する場合は、メモリエラーを防ぐためにスワップ領域を追加することを検討してください:
# Allocate a 64GB swap file
sudo fallocate -l 64G /swapfile
# Set the correct permissions for the swap file
sudo chmod 600 /swapfile
# Set up the Linux swap area
sudo mkswap /swapfile
# Enable the swap file
sudo swapon /swapfile
# Verify the swap space allocation (should show increased swap memory)
free -hカスタムデータセットのトレーニング
GCP内でカスタムデータセットを使用してYOLOv5をトレーニングするには、以下の一般的な手順に従ってください:
-
YOLOv5形式（画像および対応するラベルファイル）に従ってデータセットを準備します。詳細については、データセットの概要 を参照してください。
-
gcloud compute scpまたはウェブコンソールのSSH機能を使用して、データセットをGCP VMにアップロードします。 -
トレーニングおよび検証データのパス、クラス数、クラス名を指定するデータセット構成YAMLファイル (
custom_dataset.yaml) を作成します。 -
カスタムデータセットのYAMLを使用して トレーニングプロセス を開始します。必要に応じて、事前学習済みウェイトから開始することも可能です:
# Example: Train YOLOv5s on a custom dataset for 100 epochs python train.py --img 640 --batch 16 --epochs 100 --data custom_dataset.yaml --weights yolov5s.pt
データの準備およびカスタムデータセットでのトレーニングに関する詳細な手順については、Ultralytics YOLOv5トレーニングドキュメント を参照してください。
Cloud Storageの活用
特に大規模なデータセットや多数の実験を行う場合、効率的なデータ管理のためにYOLOv5ワークフローを Google Cloud Storage と統合してください:
# Ensure Google Cloud SDK is installed and initialized
# If not installed: curl https://sdk.cloud.google.com/ | bash
# Then initialize: gcloud init
# Example: Copy your dataset from a GCS bucket to your VM
gsutil cp -r gs://your-data-bucket/my_dataset ./datasets/
# Example: Copy trained model weights from your VM to a GCS bucket
gsutil cp -r ./runs/train/exp/weights gs://your-models-bucket/yolov5_custom_weights/このアプローチにより、大規模なデータセットとトレーニング済みモデルをクラウド上で安全かつコスト効率よく保存でき、VMインスタンスのストレージ要件を最小限に抑えることができます。
まとめ
おめでとうございます！これで、Ultralytics YOLOv5の機能とGoogle Cloud Platformの計算能力を組み合わせる準備が整いました。このセットアップは、物体検出プロジェクトにスケーラビリティ、効率性、汎用性を提供します。個人的な探求、学術研究、産業用 ソリューション の構築のいずれであっても、クラウド上でのAIとMLの世界への大きな一歩を踏み出しました。
モデルのトレーニングと管理をスムーズに行うノーコード体験には、Ultralytics Platform の利用を検討してください。
進捗状況を記録し、活発なUltralyticsコミュニティと知見を共有し、コラボレーションやサポートのために GitHub discussions などのリソースを活用することを忘れないでください。さあ、YOLOv5とGCPを使って革新を始めましょう！
MLスキルをさらに高めたいですか？当社の ドキュメント を読み、Ultralytics Blog でより多くのチュートリアルや知見を確認してください。AIの冒険を続けましょう！