Salta para o conteúdo

Dominar YOLOv5 🚀 Implantação na máquina virtual (VM) de aprendizagem profunda do Google Cloud Platform (GCP) ⭐

Embarcar na viagem da inteligência artificial e da aprendizagem automática pode ser entusiasmante, especialmente quando aproveita o poder e a flexibilidade de uma plataforma de nuvem. O 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 estejas a dar os primeiros passos em ML ou sejas um profissional experiente, este guia foi concebido para te fornecer um caminho claro para a implementação de modelos de deteção de objectos alimentados por YOLOv5.

Além disso, se fores um novo utilizador do GCP, estás com sorte com uma oferta de crédito gratuito de 300 dólares para iniciares os teus projectos.

Para além do GCP, explora outras opções de início rápido acessíveis para YOLOv5, como o nosso Caderno de notas Colab Abre em 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 Docker Hub Docker Pulls para um ambiente encapsulado.

Etapa 1: Criar e configurar sua VM de Deep Learning

Vamos começar por criar uma máquina virtual ajustada para a aprendizagem profunda:

  1. Vai até o mercado GCP e seleciona a VM de Aprendizado Profundo.
  2. Opta por uma instância n1-standard-8; oferece um equilíbrio de 8 vCPUs e 30 GB de memória, ideal para as nossas necessidades.
  3. Em seguida, selecciona uma GPU. Isto depende da tua carga de trabalho; mesmo uma básica como a Tesla T4 irá acelerar significativamente o treino do teu modelo.
  4. Assinala a caixa "Instalar automaticamente o controlador da GPU NVIDIA no primeiro arranque?" para uma configuração sem problemas.
  5. Atribui um Disco Persistente SSD de 300 GB para garantir que não há estrangulamento nas operações de E/S.
  6. Carrega em "Implementar" e deixa o GCP fazer a sua magia no aprovisionamento da tua VM personalizada de Aprendizagem Profunda.

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.

Ilustração do GCP Marketplace sobre a configuração de uma VM de Deep Learning

Passo 2: Prepara 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 estás 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 a partir daversão mais recente de YOLOv5 , o que facilita o início do treino do modelo.

Passo 3: Treina e implementa os teus modelos YOLOv5 🌐

Com a configuração concluída, estás pronto para mergulhar na formação e inferência com YOLOv5 na tua 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-te treinar modelos de deteção de objectos personalizados, adaptados às tuas necessidades específicas, ou utilizar pesos pré-treinados para obteres resultados rápidos numa variedade de tarefas.

Imagem do comando do terminal ilustrando o treinamento do modelo em uma VM do GCP Deep Learning

Atribui espaço de troca (opcional)

Para aqueles que lidam com grandes conjuntos de dados, considera 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

Reflexões finais

Parabéns! Agora podes aproveitar as capacidades do YOLOv5 com a capacidade computacional do Google Cloud Platform. Esta combinação proporciona escalabilidade, eficiência e versatilidade para as tuas tarefas de deteção de objectos. Quer seja para projectos pessoais, investigação académica ou aplicações industriais, deste um passo fundamental no mundo da IA e da aprendizagem automática na nuvem.

Não te esqueças de documentar o teu percurso, partilhar conhecimentos com a comunidade Ultralytics e aproveitar as áreas de colaboração, como as discussões no GitHub, para cresceres ainda mais. Agora, vai em frente e inova com YOLOv5 e GCP! 🌟

Queres continuar a melhorar as tuas competências e conhecimentos de ML? Mergulha na nossa documentação e tutoriais para obteres mais recursos. Deixa a tua aventura de IA continuar!



Criado em 2023-11-12, Atualizado em 2023-12-21
Autores: glenn-jocher (3)

Comentários