Dominar a implantação YOLOv5 na VM de aprendizado profundo Google Cloud Platform (GCP)
Embarcar na viagem da inteligência artificial e da aprendizagem automática pode ser entusiasmante, especialmente quando se tira partido do poder e da flexibilidade de uma plataforma de nuvem. Google Cloud Platform (GCP) oferece ferramentas robustas adaptadas aos entusiastas e profissionais da aprendizagem automática. Uma dessas ferramentas é a VM de aprendizado profundo, que é pré-configurada para tarefas de ciência de dados e ML. Neste tutorial, vamos navegar pelo processo de configuração do YOLOv5 em uma VM de aprendizado profundo do GCP. Quer esteja a dar os primeiros passos no ML ou seja um profissional experiente, este guia foi concebido para lhe fornecer um caminho claro para a implementação de modelos de deteção de objectos alimentados pelo YOLOv5.
Além disso, se for um novo utilizador do GCP, está com sorte com uma oferta de crédito gratuito de 300 dólares para dar início aos seus projectos.
Para além do GCP, explore outras opções de início rápido acessíveis para YOLOv5, como o nosso Bloco de notas Google Colab 
para uma experiência baseada no browser, ou a escalabilidade do Amazon AWS. Além disso, os aficionados dos contentores podem utilizar a nossa imagem oficial do Docker em Centro de Docker 
Etapa 1: Criar e configurar sua VM de aprendizado profundo
Vamos começar por criar uma máquina virtual ajustada para a aprendizagem profunda:
- Vá para o mercado do GCP e selecione a VM de Aprendizado Profundo.
- Opte por uma instância n1-standard-8; oferece um equilíbrio de 8 vCPUs e 30 GB de memória, ideal para as nossas necessidades.
- Em seguida, selecione um GPU. Isto depende da sua carga de trabalho; mesmo um básico como o T4 irá acelerar significativamente o treino do modelo.
- Assinale a caixa 'Instalar o controlador NVIDIA GPU automaticamente no primeiro arranque?' para uma configuração sem problemas.
- Atribua um Disco Persistente SSD de 300 GB para garantir que não há estrangulamento nas operações de E/S.
- Clique em "Implantar" e deixe o GCP fazer sua mágica ao provisionar sua VM personalizada do Deep Learning.
Esta VM vem carregada com um tesouro de ferramentas e frameworks pré-instalados, incluindo a distribuição Anaconda Python , que convenientemente agrupa todas as dependências necessárias para YOLOv5.
Passo 2: Preparar a VM para YOLOv5
Após a configuração do ambiente, vamos colocar o YOLOv5 em funcionamento:
# 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
Este processo de configuração garante que está a trabalhar com um ambiente Python versão 3.8.0 ou mais recente e PyTorch 1.8 ou superior. Os nossos scripts descarregam sem problemas modelos e conjuntos de dados diretamente da últimaversão YOLOv5 , o que facilita o início do treino de modelos.
Passo 3: Treinar e implementar os seus modelos YOLOv5
Com a configuração concluída, está pronto para mergulhar na formação e inferência com YOLOv5 na sua VM GCP:
# 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
Com apenas alguns comandos, o YOLOv5 permite-lhe treinar modelos personalizados de deteção de objectos adaptados às suas necessidades específicas ou utilizar pesos pré-treinados para obter resultados rápidos numa variedade de tarefas.
Atribuir espaço de troca (opcional)
Para aqueles que lidam com grandes conjuntos de dados, considere ampliar a sua instância GCP com 64 GB adicionais de memória de troca:
sudo fallocate -l 64G /swapfile
sudo chmod 600 /swapfile
sudo mkswap /swapfile
sudo swapon /swapfile
free -h # confirm the memory increment
Treinar conjuntos de dados personalizados
Para treinar YOLOv5 no seu conjunto de dados personalizado no GCP, siga estes passos:
- Prepare o seu conjunto de dados no formato YOLOv5 (imagens e etiquetas)
- Carregue o seu conjunto de dados para a sua VM GCP utilizando
gcloudou SCP - Criar um ficheiro YAML de conjunto de dados especificando caminhos e classes
- Iniciar a formação com os parâmetros adequados:
Para obter instruções mais pormenorizadas sobre a formação com conjuntos de dados personalizados, consulte a documentaçãoUltralytics YOLOv5 .
Tirar partido do armazenamento na nuvem
Para uma gestão eficiente dos dados, integre o seu fluxo de trabalho YOLOv5 com o Google Cloud Storage:
# 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/
Esta abordagem permite-lhe armazenar grandes conjuntos de dados e modelos treinados de forma segura na nuvem, mantendo os requisitos de armazenamento da VM mínimos.
Reflexões finais
Parabéns! Agora está habilitado a aproveitar as capacidades de YOLOv5 com a proeza computacional de Google Cloud Platform. Esta combinação proporciona escalabilidade, eficiência e versatilidade para as suas tarefas de deteção de objectos. Quer seja para projectos pessoais, investigação académica ou aplicações industriais, deu um passo fundamental no mundo da IA e da aprendizagem automática na nuvem.
Lembre-se de documentar sua jornada, compartilhar insights com a comunidade Ultralytics e aproveitar as arenas colaborativas, como as discussões do GitHub, para crescer ainda mais. Agora, vá em frente e inove com o YOLOv5 e o GCP!
Pretende continuar a melhorar as suas competências e conhecimentos de ML? Mergulhe na nossa documentação e tutoriais para obter mais recursos. Deixe a sua aventura de IA continuar!
