YOLO Vision 2026:

Google Cloud Platform (GCP) Deep Learning VM에서 YOLOv5 배포 마스터하기#

인공지능 (AI) 및 머신러닝 (ML)의 여정을 시작하는 것은, 특히 클라우드 컴퓨팅 플랫폼의 성능과 유연성을 활용할 때 매우 흥미로울 수 있습니다. Google Cloud Platform (GCP)은 ML 애호가와 전문가 모두에게 적합한 강력한 도구를 제공합니다. 그러한 도구 중 하나가 데이터 과학 및 ML 작업을 위해 사전 설정된 Deep Learning VM입니다. 이 튜토리얼에서는 GCP Deep Learning VM에서 Ultralytics YOLOv5를 설정하는 과정을 안내합니다. ML에 첫 발을 내딛는 초보자이든 숙련된 실무자이든, 본 가이드는 YOLOv5 기반의 객체 감지 모델을 구현하기 위한 명확한 길잡이를 제공합니다.

🆓 또한 새로운 GCP 사용자라면 프로젝트를 시작할 수 있는 $300 무료 크레딧 혜택을 누리실 수 있습니다.

GCP 외에도 브라우저 기반 경험을 위한 Google Colab Notebook Open In Colab이나 Amazon AWS의 확장성과 같이 YOLOv5를 위한 다른 접근 가능한 퀵스타트 옵션을 살펴보세요. 나아가 컨테이너 애호가라면 캡슐화된 환경을 위해 Docker Quickstart Guide에 따라 Docker Hub Docker Pulls에서 제공되는 공식 Docker 이미지를 활용할 수 있습니다.

1단계: Deep Learning VM 생성 및 구성#

딥러닝에 최적화된 가상 머신을 생성하여 시작하겠습니다:

  1. GCP 마켓플레이스로 이동하여 Deep Learning VM을 선택합니다.
  2. n1-standard-8 인스턴스를 선택하십시오. 이는 8개의 vCPU와 30GB 메모리의 균형을 제공하여 많은 ML 작업에 적합합니다.
  3. GPU를 선택합니다. 선택은 워크로드에 따라 다르며, 기본 T4 GPU만으로도 모델 학습이 크게 가속화됩니다.
  4. 원활한 설정을 위해 '첫 시작 시 NVIDIA GPU 드라이버 자동 설치' 확인란을 선택합니다.
  5. I/O 병목 현상을 방지하기 위해 300GB SSD 영구 디스크를 할당합니다.
  6. '배포'를 클릭하고 GCP가 사용자 지정 Deep Learning VM을 프로비저닝하도록 기다립니다.

이 VM에는 YOLOv5에 필요한 많은 종속성을 편리하게 번들로 제공하는 Anaconda Python 배포판을 포함하여 필수 도구와 프레임워크가 사전 로드되어 있습니다.

Deep Learning VM 설정의 GCP 마켓플레이스 일러스트레이션

2단계: YOLOv5를 위한 VM 준비#

환경 설정을 마친 후 YOLOv5를 설치하고 준비하겠습니다:

# Clone the YOLOv5 repository
git clone https://github.com/ultralytics/yolov5
cd yolov5

# Install dependencies
pip install -r requirements.txt

이 설정 프로세스를 통해 Python 환경 버전 3.8.0 이상 및 PyTorch 1.8 이상을 확보할 수 있습니다. 당사의 스크립트는 최신 YOLOv5 릴리스에서 모델과 데이터셋을 자동으로 다운로드하여 모델 학습 시작 과정을 간소화합니다.

3단계: YOLOv5 모델 학습 및 배포#

설정이 완료되면 GCP VM에서 YOLOv5를 사용하여 학습, 검증, 예측 및 내보내기를 수행할 준비가 완료된 것입니다:

# 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

단 몇 가지 명령어만으로 YOLOv5를 사용하면 특정 요구사항에 맞게 맞춤형 객체 검출 모델을 학습하거나 다양한 작업에서 빠른 결과를 위해 사전 학습된 가중치를 활용할 수 있습니다. 내보내기 후 다양한 모델 배포 옵션을 살펴보세요.

GCP VM에서의 YOLOv5 모델 학습

스왑 공간 할당(선택 사항)#

VM의 RAM을 초과할 수 있는 매우 큰 데이터셋으로 작업하는 경우, 메모리 오류를 방지하기 위해 스왑 공간을 추가하는 것을 고려하십시오:

# 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

사용자 지정 데이터셋 학습#

GCP 내에서 사용자 지정 데이터셋으로 YOLOv5를 학습하려면 다음 일반 단계를 따르십시오:

  1. YOLOv5 형식(이미지 및 해당 라벨 파일)에 따라 데이터셋을 준비합니다. 지침은 데이터셋 개요를 참조하세요.

  2. gcloud compute scp 또는 웹 콘솔의 SSH 기능을 사용하여 데이터셋을 GCP VM에 업로드합니다.

  3. 학습 및 검증 데이터 경로, 클래스 수, 클래스 이름을 지정하는 데이터셋 구성 YAML 파일(custom_dataset.yaml)을 생성합니다.

  4. 커스텀 데이터셋 YAML을 사용하고 잠재적으로 사전 학습된 가중치에서 시작하여 학습 프로세스를 시작합니다:

    # 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

데이터 준비 및 커스텀 데이터셋 학습에 대한 종합적인 지침은 Ultralytics YOLOv5 Train 문서를 참조하세요.

클라우드 스토리지 활용#

특히 대규모 데이터셋이나 수많은 실험을 진행할 때 효율적인 데이터 관리를 위해 YOLOv5 워크플로를 Google Cloud Storage와 통합하세요:

# 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/

이 접근 방식을 사용하면 대규모 데이터셋과 학습된 모델을 클라우드에 안전하고 비용 효율적으로 저장할 수 있어 VM 인스턴스의 스토리지 요구 사항을 최소화할 수 있습니다.

결론#

축하합니다! 이제 Google Cloud Platform의 연산 능력과 결합된 Ultralytics YOLOv5의 기능을 활용할 준비가 되었습니다. 이 설정은 객체 검출 프로젝트를 위한 확장성, 효율성 및 다양성을 제공합니다. 개인적인 탐구, 학술 연구, 산업용 솔루션 구축 중 무엇을 위해서든 클라우드 기반 AI 및 ML 세계로 향하는 중요한 첫걸음을 내디뎠습니다.

간소화된 노코드 경험을 통해 모델을 학습하고 관리하려면 Ultralytics Platform 사용을 고려해 보세요.

진행 상황을 기록하고, 활발한 Ultralytics 커뮤니티와 인사이트를 공유하며, 협업과 지원을 위해 GitHub 토론과 같은 리소스를 활용하는 것을 잊지 마세요. 이제 YOLOv5 및 GCP와 함께 혁신을 향해 나아가세요!

ML 기술을 계속해서 향상시키고 싶으신가요? 문서를 살펴보고 더 많은 튜토리얼과 인사이트를 위해 Ultralytics 블로그를 탐색해 보세요. AI 모험을 계속 이어가세요!

기여자
GLglenn-jocher2RAraimbekovm1

댓글