Google Cloud Platform (GCP) 딥러닝 VM에서 YOLOv5 배포 마스터하기#

Google Cloud Platform (GCP)은 데이터 과학 및 머신러닝 (ML) 작업을 위해 사전 구성된 딥러닝 VM을 제공하는 클라우드 컴퓨팅 플랫폼입니다. 이 튜토리얼에서는 GCP 딥러닝 VM에 Ultralytics YOLOv5를 설정하는 방법을 안내합니다. ML을 처음 시작하는 사용자부터 숙련된 실무자까지, YOLOv5로 객체 탐지 모델을 학습하고 실행하는 명확한 절차를 제공합니다.

GCP 신규 사용자는 시작을 위해 $300 무료 크레딧 혜택을 신청할 수도 있습니다.

YOLOv5를 시작하는 다른 빠른 방법으로는 브라우저에서 사용할 수 있는 Google Colab 노트북 또는 확장성이 뛰어난 Amazon AWS가 있습니다. 격리된 환경을 원한다면 Docker Hub 에서 제공하는 공식 Docker 이미지를 Docker 빠른 시작 가이드에 따라 사용할 수도 있습니다.

1단계: 딥러닝 VM 생성 및 구성#

먼저 딥러닝에 최적화된 가상 머신을 만듭니다.

1. GCP 마켓플레이스로 이동해 Deep Learning VM을 선택합니다.
2. n1-standard-8 인스턴스를 선택하세요. vCPU 8개와 메모리 30GB를 제공하여 다양한 ML 작업에 적합합니다.
3. GPU를 선택합니다. 선택은 워크로드에 따라 달라지며, 기본 T4 GPU만으로도 모델 학습을 크게 가속할 수 있습니다.
4. '첫 시작 시 NVIDIA GPU 드라이버 자동 설치' 확인란을 선택합니다.
5. I/O 병목 현상을 방지하려면 300GB SSD 영구 디스크를 할당하세요.
6. 'Deploy'를 클릭하고 GCP가 사용자 지정 딥러닝 VM을 프로비저닝할 때까지 기다립니다.

이 VM에는 YOLOv5에 필요한 여러 종속성을 편리하게 포함하는 Anaconda Python 배포판을 비롯해 필수 도구와 프레임워크가 사전 설치되어 있습니다.

2단계: YOLOv5에 맞게 VM 준비#

다음으로 YOLOv5와 종속 항목을 설치합니다.

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

# Install dependencies
pip install -r requirements.txt

YOLOv5에는 Python 3.8.0 이상과 PyTorch 1.8 이상이 필요합니다. 스크립트는 최신 YOLOv5 릴리스에서 모델과 데이터셋을 자동으로 다운로드하므로 모델 학습을 간편하게 시작할 수 있습니다.

3단계: YOLOv5 모델 학습 및 배포#

설정이 완료되면 GCP VM에서 YOLOv5를 사용해 학습, 검증, 예측, 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 필요에 맞는 맞춤형 객체 감지 모델을 학습하거나 사전 학습된 가중치로 시작해 빠르게 결과를 얻을 수 있습니다.

스왑 공간 할당 (선택 사항)#

VM의 RAM 용량을 초과할 수 있는 대규모 데이터셋을 사용하는 경우 메모리 오류를 방지하기 위해 스왑 공간을 추가하는 방법을 고려하세요.

# 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 다음의 일반적인 단계를 따르세요.

1. YOLOv5 형식(이미지와 해당 레이블 파일)에 맞게 데이터셋을 준비하세요. 자세한 안내는 데이터셋 개요를 참조하세요.

2. gcloud compute scp 또는 웹 콘솔의 SSH 기능을 사용해 데이터셋을 GCP VM에 업로드하세요.

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

4. 사용자 지정 데이터셋 YAML을 사용하고 필요한 경우 사전 학습 가중치에서 시작해 학습 과정을 시작하세요.

   # 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 준비와 사용자 지정 데이터셋 학습에 관한 자세한 지침은 사용자 지정 데이터 학습 튜토리얼을 참조하세요.

클라우드 스토리지 활용#

특히 대규모 데이터셋이나 다수의 실험을 효율적으로 관리하려면 YOLOv5 워크플로를 Google Cloud Storage와 연동하세요.

# 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 방법을 사용하면 대규모 데이터셋과 학습된 모델을 클라우드에 안전하고 경제적으로 저장하여 VM 인스턴스에 필요한 스토리지 용량을 줄일 수 있습니다.

마무리#

이제 Google Cloud Platform 딥러닝 VM에서 Ultralytics YOLOv5를 실행할 수 있으며, 개인 실험과 학술 연구부터 산업용 솔루션까지 다양한 객체 탐지 프로젝트에 활용할 준비가 되었습니다.

코드 없이 모델을 학습하고 관리하려면 Ultralytics Platform을 사용해 보세요.

질문과 협업을 위해 GitHub 토론에 참여하세요.

자주 묻는 질문#