Google Cloud Platform (GCP) Derin Öğrenme Sanal Makinesinde YOLOv5 Dağıtımında Ustalaşma#

Yapay zekâ (AI) ve makine öğrenimi (ML) yolculuğuna çıkmak, özellikle bir bulut bilişim platformunun gücünden ve esnekliğinden yararlandığında heyecan verici olabilir. Google Cloud Platform (GCP), ML meraklıları ve profesyonelleri için özel olarak tasarlanmış güçlü araçlar sunar. Bu araçlardan biri, veri bilimi ve ML görevleri için önceden yapılandırılmış Derin Öğrenme Sanal Makinesidir. Bu öğreticide, Ultralytics YOLOv5'i bir GCP Derin Öğrenme Sanal Makinesine kurma sürecinde sana yol göstereceğiz. İster ML alanında ilk adımlarını atıyor ister deneyimli bir uygulayıcı ol, bu kılavuz YOLOv5 destekli nesne algılama modellerini uygulamak için açık bir yol sunar.

🆓 Ayrıca, yeni bir GCP kullanıcısıysan projelerine başlamak için 300 ABD doları tutarında ücretsiz kredi teklifinden yararlanabilirsin.

GCP'ye ek olarak, tarayıcı tabanlı kullanım için Google Colab Not Defterimiz veya Amazon AWS ölçeklenebilirliği gibi YOLOv5 için diğer erişilebilir hızlı başlangıç seçeneklerini de keşfet. Ayrıca kapsayıcı meraklıları, yalıtılmış bir ortam sağlayan resmi Docker imajımızı Docker Hub üzerinden kullanabilir ve Docker Hızlı Başlangıç Kılavuzumuzu izleyebilir.

Adım 1: Derin Öğrenme Sanal Makineni Oluştur ve Yapılandır#

Derin öğrenme için optimize edilmiş bir sanal makine oluşturarak başlayalım:

1. GCP pazaryerine git ve Derin Öğrenme Sanal Makinesi'ni seç.
2. Birçok ML görevi için uygun olan 8 vCPU ve 30 GB bellek dengesi sunan bir n1-standard-8 örneği seç.
3. Bir GPU seç. Seçim, iş yüküne bağlıdır; temel bir T4 GPU bile model eğitimini önemli ölçüde hızlandırır.
4. Sorunsuz bir kurulum için 'İlk başlatmada NVIDIA GPU sürücüsü otomatik olarak yüklensin mi?' kutusunu işaretle.
5. G/Ç darboğazlarını önlemek için 300 GB SSD Kalıcı Disk ayır.
6. 'Dağıt' seçeneğine tıkla ve GCP'nin özel Derin Öğrenme Sanal Makineni oluşturmasını bekle.

Bu sanal makine, YOLOv5 için gereken birçok bağımlılığı kullanışlı biçimde bir araya getiren Anaconda Python dağıtımı da dahil olmak üzere temel araçlar ve çerçeveler yüklü olarak gelir.

Adım 2: VM'yi YOLOv5 için Hazırla#

Ortamı kurduğumuza göre YOLOv5'i yükleyip kullanıma hazır hâle getirelim:

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

# Install dependencies
pip install -r requirements.txt

Bu kurulum süreci, Python 3.8.0 veya daha yeni bir sürüme ve PyTorch 1.8 veya üstüne sahip olmanı sağlar. Betiklerimiz, model eğitimine başlamayı kolaylaştırmak için en son YOLOv5 sürümündeki modelleri ve veri kümelerini otomatik olarak indirir.

Adım 3: YOLOv5 Modellerini Eğit ve Dağıt#

Kurulum tamamlandığında GCP sanal makinen üzerinde YOLOv5 ile eğitim, doğrulama, tahmin ve dışa aktarım yapmaya hazırsın:

# 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

YOLOv5, yalnızca birkaç komutla özel ihtiyaçlarına göre uyarlanmış nesne algılama modelleri eğitmeni veya çeşitli görevlerde hızla sonuç almak için önceden eğitilmiş ağırlıkları kullanmanı sağlar. Dışa aktardıktan sonra farklı model dağıtım seçeneklerini incele.

Takas Alanı Ayır (İsteğe Bağlı)#

Sanal makinenin RAM kapasitesini aşabilecek kadar büyük veri kümeleriyle çalışıyorsan bellek hatalarını önlemek için takas alanı eklemeyi düşün:

# 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

Özel Veri Kümeleriyle Eğitim#

YOLOv5'i GCP'de kendi veri kümenle eğitmek için şu genel adımları izle:

1. Veri kümeni YOLOv5 biçimine göre hazırla (görüntüler ve bunlara karşılık gelen etiket dosyaları). Yardım için veri kümelerine genel bakış sayfamıza bak.

2. Veri kümeni gcloud compute scp veya web konsolunun SSH özelliğini kullanarak GCP sanal makinene yükle.

3. Eğitim ve doğrulama verilerinin yollarını, sınıf sayısını ve sınıf adlarını belirten bir veri kümesi yapılandırma YAML dosyası (custom_dataset.yaml) oluştur.

4. Özel veri kümesi YAML dosyanı kullanarak ve istersen önceden eğitilmiş ağırlıklardan başlayarak eğitim sürecini başlat:

   # 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

Veri hazırlama ve özel veri kümeleriyle eğitim hakkında kapsamlı talimatlar için Özel Verilerle Eğitim öğreticisine başvur.

Bulut Depolamadan Yararlanma#

Özellikle büyük veri kümeleriyle veya çok sayıda deneyle çalışırken verileri verimli yönetmek için YOLOv5 iş akışını Google Cloud Storage ile entegre et:

# 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/

Bu yaklaşım, büyük veri kümelerini ve eğitilmiş modelleri bulutta güvenli ve uygun maliyetli biçimde saklamanı sağlar ve sanal makine örneğindeki depolama gereksinimini en aza indirir.

Son Düşünceler#

Tebrikler! Artık Ultralytics YOLOv5'in yeteneklerinden Google Cloud Platform'un hesaplama gücüyle birlikte yararlanabilirsin. Bu kurulum, nesne algılama projelerin için ölçeklenebilirlik, verimlilik ve çok yönlülük sunar. Kişisel keşif, akademik araştırma veya endüstriyel çözümler geliştirmek için olsun, bulutta AI ve ML dünyasına doğru önemli bir adım attın.

Modellerini eğitmek ve yönetmek için basitleştirilmiş, kod gerektirmeyen bir deneyim sunan Ultralytics Platform'u kullanmayı düşün.

İlerlemeni belgelemeyi, içgörülerini canlı Ultralytics topluluğuyla paylaşmayı ve iş birliği ile destek için GitHub tartışmaları gibi kaynaklardan yararlanmayı unutma. Şimdi YOLOv5 ve GCP ile yenilikler yapmaya koyul!

ML becerilerini geliştirmeye devam etmek ister misin? Daha fazla eğitim ve içgörü için belgelerimizi incele ve Ultralytics Blog yazılarını keşfet. Yapay zekâ maceran devam etsin!

Sık Sorulan Sorular#