Mastering YOLOv5 🚀 Развертывание на Google Cloud Platform (GCP) Deep Learning Virtual Machine (VM) ⭐.
Путешествие по пути искусственного интеллекта и машинного обучения может быть захватывающим, особенно когда ты используешь мощь и гибкость облачной платформы. Google Cloud Platform (GCP) предлагает надежные инструменты, предназначенные как для энтузиастов машинного обучения, так и для профессионалов. Одним из таких инструментов является Deep Learning VM, который заранее настроен для задач науки о данных и ML. В этом руководстве мы рассмотрим процесс настройки YOLOv5 на GCP Deep Learning VM. Независимо от того, делаешь ли ты первые шаги в ML или являешься опытным практиком, это руководство призвано предоставить тебе четкий путь к реализации моделей обнаружения объектов на базе YOLOv5.
🆓 К тому же, если ты только что стал пользователем GCP, тебе повезло: тебе предлагают бесплатный кредит в 300 долларов, чтобы дать старт твоим проектам.
Помимо GCP, изучи другие доступные варианты быстрого старта для YOLOv5, например, наш Блокнот Colab для работы в браузере, или масштабируемость Amazon AWS. Кроме того, любители контейнеров могут использовать наш официальный образ Docker по адресу Docker Hub для инкапсулированной среды.
Шаг 1: Создай и настрой свою виртуальную машину Deep Learning VM.
Начнем с того, что создадим виртуальную машину, настроенную на глубокое обучение:
- Перейди на торговую площадку GCP и выбери виртуальную машину Deep Learning VM.
- Выбирай экземпляр n1-standard-8; он предлагает баланс из 8 vCPU и 30 Гб памяти, идеально подходящий для наших нужд.
- Далее выбери графический процессор. Это зависит от твоей рабочей нагрузки; даже такой базовый, как Tesla T4, заметно ускорит обучение модели.
- Поставь галочку в поле "Устанавливать драйвер NVIDIA GPU автоматически при первом запуске?", чтобы установка прошла без проблем.
- Выдели 300 Гб SSD Persistent Disk, чтобы не допустить узких мест в операциях ввода-вывода.
- Нажми "Deploy" и позволь GCP сделать свою магию в обеспечении твоей пользовательской ВМ Deep Learning.
Эта ВМ поставляется с кладезем предустановленных инструментов и фреймворков, включая дистрибутив Anaconda Python , в котором удобно собраны все необходимые зависимости для YOLOv5.
Шаг 2: Подготовь виртуальную машину к YOLOv5
После настройки окружения давай запустим YOLOv5 :
# 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
Этот процесс установки гарантирует, что ты работаешь со средой Python версии 3.8.0 или новее и PyTorch 1.8 или выше. Наши скрипты плавно загружают модели и наборы данных из последнегорелиза YOLOv5 , что позволяет без проблем начать обучение модели.
Шаг 3: Обучи и разверни свои модели YOLOv5 🌐.
Настройка завершена, и ты готов приступить к обучению и созданию выводов с помощью YOLOv5 на своей виртуальной машине 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
С помощью всего нескольких команд YOLOv5 позволяет тебе обучать пользовательские модели обнаружения объектов с учетом твоих специфических потребностей или использовать предварительно обученные веса для получения быстрых результатов при решении различных задач.
Распределите место подкачки (необязательно)
Для тех, кто работает с большими массивами данных, подумай о том, чтобы усилить свой экземпляр GCP дополнительными 64 Гб памяти подкачки:
sudo fallocate -l 64G /swapfile
sudo chmod 600 /swapfile
sudo mkswap /swapfile
sudo swapon /swapfile
free -h # confirm the memory increment
Заключительные мысли
Поздравляю! Теперь ты можешь использовать возможности YOLOv5 и вычислительную мощь Google Cloud Platform. Эта комбинация обеспечивает масштабируемость, эффективность и универсальность для твоих задач по обнаружению объектов. Будь то личные проекты, академические исследования или промышленные приложения, ты сделал решающий шаг в мир ИИ и машинного обучения в облаке.
Не забывай документировать свой путь, делиться впечатлениями с сообществом Ultralytics и использовать такие арены для совместной работы, как обсуждения на GitHub, чтобы развиваться дальше. А теперь вперед, к инновациям с YOLOv5 и GCP! 🌟
Хочешь и дальше совершенствовать свои навыки и знания в области ML? Погрузись в нашу документацию и учебники, чтобы найти больше ресурсов. Пусть твои приключения в области ИИ продолжаются!