YOLO Vision 2026:

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

인공지능(AI)과 머신 러닝(ML)의 여정을 시작하는 일은 특히 강력하고 유연한 클라우드 컴퓨팅 플랫폼을 활용할 때 매우 흥미로울 수 있습니다. Google Cloud Platform(GCP)은 ML 애호가와 전문가 모두를 위해 설계된 강력한 도구를 제공합니다. 이러한 도구 중 하나가 데이터 과학 및 ML 작업에 맞게 사전 구성된 Deep Learning VM입니다. 이 튜토리얼에서는 GCP Deep Learning VM에 Ultralytics YOLOv5를 설정하는 과정을 살펴봅니다. ML을 처음 시작하는 분이든 숙련된 실무자이든, 이 가이드는 YOLOv5로 구동되는 객체 감지 모델을 구현하는 명확한 경로를 제공합니다.

🆓 또한 새로운 GCP 사용자라면 프로젝트를 시작하는 데 사용할 수 있는 $300 무료 크레딧 혜택이 제공되니 좋은 기회입니다.

GCP 외에도 브라우저 기반 환경을 제공하는 Google Colab 노트북 Open In Colab과 Amazon AWS의 확장성을 비롯하여 YOLOv5를 위한 다양한 간편한 시작 옵션을 살펴볼 수 있습니다. 또한 컨테이너를 선호하는 사용자는 캡슐화된 환경을 위해 Docker Hub Docker Pulls에서 제공되는 공식 Docker 이미지를 Docker 빠른 시작 가이드에 따라 사용할 수 있습니다.

1단계: Deep Learning VM 생성 및 구성#

먼저 딥 러닝에 최적화된 가상 머신을 생성합니다.

  1. GCP 마켓플레이스로 이동하여 Deep Learning VM을 선택합니다.
  2. n1-standard-8 인스턴스를 선택합니다. 8개의 vCPU와 30GB 메모리의 균형을 제공하므로 다양한 ML 작업에 적합합니다.
  3. GPU를 선택합니다. 선택은 워크로드에 따라 달라지지만, 기본 T4 GPU만 사용해도 모델 학습 속도를 크게 높일 수 있습니다.
  4. '처음 시작할 때 NVIDIA GPU 드라이버를 자동으로 설치하시겠습니까?' 확인란을 선택하여 원활하게 설정합니다.
  5. I/O 병목 현상을 방지하려면 300GB SSD Persistent Disk를 할당합니다.
  6. 'Deploy'를 클릭하고 GCP가 사용자 지정 Deep Learning VM을 프로비저닝하도록 합니다.

이 VM에는 필수 도구와 프레임워크가 사전 로드되어 있으며, 여기에는 YOLOv5에 필요한 여러 종속 항목을 편리하게 포함하는 Anaconda Python 배포판도 포함됩니다.

Deep Learning VM 설정을 보여 주는 GCP Marketplace 그림

2단계: YOLOv5를 위한 VM 준비#

환경 설정을 완료했으므로 이제 YOLOv5를 설치하고 사용할 준비를 합니다.

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

# Install dependencies
pip install -r requirements.txt

이 설정 과정에서는 Python 환경 버전 3.8.0 이상과 PyTorch 1.8 이상이 설치되어 있는지 확인합니다. 당사의 스크립트는 최신 YOLOv5 릴리스에서 모델과 데이터셋을 자동으로 다운로드하므로 모델 학습을 쉽게 시작할 수 있습니다.

3단계: YOLOv5 모델 학습 및 배포#

설정이 완료되면 GCP VM에서 YOLOv5를 사용하여 학습, 검증, 예측 및 내보내기를 수행할 수 있습니다.

# 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

몇 가지 명령만으로 YOLOv5를 사용하여 특정 요구 사항에 맞는 사용자 지정 객체 감지 모델을 학습하거나 사전 학습된 가중치를 활용하여 다양한 작업에서 빠르게 결과를 얻을 수 있습니다. 내보낸 후 다양한 모델 배포 옵션을 살펴보세요.

GCP VM에서 YOLOv5 모델 학습

스왑 공간 할당(선택 사항)#

VM의 RAM을 초과할 수 있는 특히 대규모 데이터셋을 사용하는 경우 메모리 오류를 방지하기 위해 스왑 공간을 추가하는 것이 좋습니다.

# 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#

GCP에서 사용자 지정 데이터셋으로 YOLOv5를 학습하려면 다음 일반 단계를 따릅니다.

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

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

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

  4. 사용자 지정 데이터셋 YAML을 사용하고 필요한 경우 사전 학습된 가중치에서 시작하여 학습 과정을 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

사용자 지정 데이터셋을 준비하고 학습하는 방법에 대한 자세한 지침은 Ultralytics YOLOv5 Train 문서를 참조하세요.

클라우드 스토리지 활용#

특히 대규모 데이터셋이나 많은 실험을 효율적으로 관리하려면 YOLOv5 워크플로를 Google Cloud Storage와 통합합니다.

# 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 저장하여 VM 인스턴스에 필요한 스토리지 용량을 최소화할 수 있습니다.

마무리#

축하합니다! 이제 Ultralytics YOLOv5와 Google Cloud Platform의 컴퓨팅 성능을 결합하여 활용할 수 있습니다. 이 설정은 객체 감지 프로젝트에 확장성, 효율성 및 다양성을 제공합니다. 개인적인 탐색, 학술 연구 또는 산업용 솔루션 구축을 위한 것이든, 클라우드에서 AI와 ML의 세계로 나아가는 중요한 발걸음을 내디뎠습니다.

모델을 학습하고 관리하는 간소화된 노코드 환경을 위해 Ultralytics Platform을 사용해 보세요.

진행 상황을 문서화하고, 활발한 Ultralytics 커뮤니티와 인사이트를 공유하며, 협업과 지원을 위해 GitHub discussions와 같은 리소스를 활용하세요. 이제 YOLOv5와 GCP로 혁신을 시작해 보세요!

ML 역량을 계속 향상하고 싶으신가요? 문서를 살펴보고 더 많은 튜토리얼과 인사이트를 확인하려면 Ultralytics Blog를 탐색해 보세요. AI 여정을 계속 이어가세요!

기여자
RAraimbekovm2GLglenn-jocher2

댓글