Google Cloud Platform（GCP）のディープラーニングVMでYOLOv5 デプロイをマスターする

人工知能と機械学習の旅に出ることは、特にクラウドプラットフォームのパワーと柔軟性を活用する場合、爽快なものになります。Google Cloud Platform（GCP）は、機械学習の愛好家や専門家向けに調整された堅牢なツールを提供している。そのようなツールの1つが、データサイエンスとMLタスク用にあらかじめ設定されたDeep Learning VMです。このチュートリアルでは YOLOv5をGCP Deep Learning VM上でセットアップするプロセスをナビゲートします。MLの第一歩を踏み出そうとしている方にも、経験豊富な実務家の方にも、このガイドは、YOLOv5物体検出モデルの実装への明確な道筋を提供するように設計されています。

さらに、GCPの新規ユーザーには、300ドルの無料クレジットが提供されます。

GCP 以外にも、YOLOv5 のクイックスタート・オプションがあります。 Google ブラウザベースのエクスペリエンスや、拡張性に優れたアマゾンAWS.さらに、コンテナ愛好家は、以下の公式Dockerイメージを利用することができます。ドッカー・ハブカプセル化された環境のために。

ステップ1：ディープラーニングVMの作成と設定

ディープラーニング用にチューニングされた仮想マシンを作ることから始めよう：

GCPマーケットプレイスに行き、Deep Learning VMを選択する。
n1-standard-8インスタンスを選択する。これは8つのvCPUと30GBのメモリのバランスを提供し、我々のニーズに理想的である。
次に、GPU を選択する。これは作業負荷による。T4のような基本的なものでも、モデル学習を著しく加速させることができる。
NVIDIA GPU ドライバを初回起動時に自動的にインストールしますか?
I/Oオペレーションがボトルネックにならないように、300GBのSSD永続ディスクを割り当てます。
Deploy」をクリックし、GCPにカスタムDeep Learning VMのプロビジョニングの魔法をかけよう。

この VM には、プリインストールされたツールやフレームワークの宝庫が搭載されており、その中にはAnaconda Python ディストリビューションも含まれています。このディストリビューションには、YOLOv5 に必要な依存関係がすべてバンドルされています。

GCP MarketplaceによるディープラーニングVMのセットアップ例

ステップ2：VMの準備YOLOv5

環境のセットアップに続いて、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

このセットアッププロセスでは、バージョン3.8.0以降のPython 環境と PyTorch1.8以上であることを確認します。私たちのスクリプトは、最新のYOLOv5 リリースからモデルとデータセットを直接スムーズにダウンロードし、モデル学習を手間をかけずに開始することができます。

ステップ3：YOLOv5 モデルの訓練と配備

セットアップが完了すれば、GCP VM上でYOLOv5 、トレーニングと推論を行う準備が整ったことになる：

# 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

YOLOv5 、いくつかのコマンドを実行するだけで、特定のニーズに合わせたカスタムオブジェクト検出モデルをトレーニングしたり、事前にトレーニングされたウェイトを利用して、さまざまなタスクで迅速に結果を得ることができます。

GCP Deep Learning VM上でのモデル学習を示すターミナルコマンドのイメージ

スワップ領域の割り当て（オプション）

膨大なデータセットを扱う場合は、GCPインスタンスに64GBのスワップ・メモリを追加することを検討してください：

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

カスタムデータセットのトレーニング

GCPのカスタムデータセットでYOLOv5 トレーニングするには、以下の手順に従ってください：

YOLOv5 フォーマットのデータセットを準備する（画像とラベル）
を使用してデータセットをGCP VMにアップロードします。 gcloud またはSCP
パスとクラスを指定したデータセットYAMLファイルを作成する。
適切なパラメータでトレーニングを開始する：

python train.py --img 640 --batch 16 --epochs 100 --data custom.yaml --weights yolov5s.pt

カスタムデータセットを使用したトレーニングの詳細については、Ultralytics YOLOv5 ドキュメントを参照してください。

クラウドストレージの活用

効率的なデータ管理のために、YOLOv5 ワークフローをGoogle Cloud Storageと統合しましょう：

# Install Google Cloud SDK if not already installed
curl https://sdk.cloud.google.com | bash
gcloud init

# Copy data to/from Cloud Storage
gsutil cp -r gs://your-bucket/dataset ./
gsutil cp -r ./runs/train/exp/weights gs://your-bucket/models/

このアプローチにより、VMのストレージ要件を最小限に抑えながら、大規模なデータセットと学習済みモデルをクラウドに安全に保管することができる。

結びの言葉

おめでとうございます！Google Cloud Platform の計算能力により、YOLOv5 の機能を利用することができます。この組み合わせは、オブジェクト検出タスクにスケーラビリティ、効率性、汎用性を提供します。個人プロジェクトであれ、学術研究であれ、産業用途であれ、あなたはクラウド上のAIと機械学習の世界に極めて重要な一歩を踏み出しました。

あなたの旅を記録し、Ultralytics コミュニティと洞察を共有し、GitHubディスカッションのようなコラボレーションの場を活用して、さらに成長することを忘れないでください。さあ、YOLOv5 GCPでイノベーションを起こしてください！

MLのスキルや知識を向上させ続けたいですか？ドキュメンテーションやチュートリアルで、より多くのリソースをご覧ください。AIの冒険を続けましょう！

📅作成：1年前 ✏️更新 9日前