Link to this sectionGoogle Cloud Platform (GCP) Derin Öğrenme Sanal Makinesinde YOLOv5 Dağıtımında Uzmanlaşma#

Yapay zeka (AI) ve makine öğrenimi (ML) yolculuğuna çıkmak, özellikle bir bulut bilişim platformunun gücünden ve esnekliğinden yararlandığında son derece heyecan verici olabilir. Google Cloud Platform (GCP), hem ML meraklıları hem de profesyoneller için özel olarak hazırlanmış güçlü araçlar sunar. Bu araçlardan biri, veri bilimi ve ML görevleri için önceden yapılandırılmış Derin Öğrenme Sanal Makinesidir (Deep Learning VM). Bu öğreticide, Ultralytics YOLOv5 kurulumunu bir GCP Derin Öğrenme Sanal Makinesinde gerçekleştirme sürecine göz atacağız. İster ML dünyasında ilk adımlarını atıyor ol, ister deneyimli bir uygulayıcı ol, bu kılavuz YOLOv5 tarafından desteklenen nesne algılama modellerini uygulamak için net bir yol sunar.

🆓 Ayrıca, yeni bir GCP kullanıcısıysan, projelerini başlatman için 300 $'lık ücretsiz kredi teklifinden yararlanabilirsin.

In addition to GCP, explore other accessible quickstart options for YOLOv5, like our Google Colab Notebook for a browser-based experience, or the scalability of Amazon AWS. Furthermore, container aficionados can utilize our official Docker image available on Docker Hub for an encapsulated environment, following our Docker Quickstart Guide.

Link to this sectionAdım: Derin Öğrenme Sanal Makineni Oluştur ve Yapılandır#

Derin öğrenme için optimize edilmiş bir sanal makine oluşturarak başlayalım:

1. GCP marketplace adresine git ve Deep Learning VM seçimini yap.
2. Bir n1-standard-8 örneği seç; birçok ML görevi için uygun olan 8 vCPU ve 30 GB bellek dengesi sunar.
3. Bir GPU seç. Seçim, iş yüküne bağlıdır; temel bir T4 GPU bile model eğitimini önemli ölçüde hızlandıracaktır.
4. Sorunsuz bir kurulum için 'İlk başlatmada NVIDIA GPU sürücüsünü otomatik olarak yükle?' kutusunu işaretle.
5. I/O darboğazlarını önlemek için 300 GB SSD Kalıcı Disk ayır.
6. 'Dağıt' (Deploy) düğmesine tıkla ve özel Derin Öğrenme Sanal Makineni GCP'nin sağlamasına izin ver.

Bu sanal makine, YOLOv5 için gerekli olan birçok bağımlılığı kolayca paketleyen Anaconda Python dağıtımı da dahil olmak üzere temel araçlar ve çerçevelerle önceden yüklenmiş olarak gelir.

Link to this sectionAdım: Sanal Makineyi YOLOv5 için Hazırla#

Ortamı kurduktan sonra, YOLOv5'i yükleyelim ve hazır hale getirelim:

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

# Install dependencies
pip install -r requirements.txt

This setup process ensures you have a Python environment version 3.8.0 or newer and PyTorch 1.8 or later. Our scripts automatically download models and datasets from the latest YOLOv5 release, simplifying the process of starting model training.

Link to this sectionAdım: YOLOv5 Modellerini Eğit ve Dağıt#

Kurulum tamamlandığında, GCP sanal makinen üzerinde YOLOv5 ile eğitim, doğrulama, tahmin ve dışa aktarma işlemlerine 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, sadece birkaç komut kullanarak özel ihtiyaçlarına göre uyarlanmış nesne algılama modellerini eğitmeni veya çeşitli görevlerde hızlı sonuçlar almak için önceden eğitilmiş ağırlıkları kullanmanı sağlar. Dışa aktardıktan sonra farklı model dağıtım seçeneklerini keşfet.

Link to this sectionTakas (Swap) Alanı Ayır (İsteğe bağlı)#

Sanal makinenin RAM'ini 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

Link to this sectionÖzel Veri Kümelerini Eğitme#

YOLOv5'i GCP içinde kendi özel veri kümen üzerinde eğitmek için şu genel adımları izle:

1. Veri kümeni YOLOv5 formatına göre hazırla (görseller ve karşılık gelen etiket dosyaları). Rehberlik için veri kümeleri genel bakış sayfamıza bak.

2. gcloud compute scp komutunu veya web konsolunun SSH özelliğini kullanarak veri kümeni GCP sanal makineye yükle.

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

4. Özel veri kümesi YAML dosyanı kullanarak ve muhtemelen 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 Ultralytics YOLOv5 Eğitim belgelerine başvur.

Link to this sectionBulut Depolamadan Yararlanma#

Verimli veri yönetimi için, özellikle büyük veri kümeleri veya çok sayıda deney söz konusu olduğunda, 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, sanal makine örneğindeki depolama gereksinimlerini en aza indirerek büyük veri kümelerini ve eğitilmiş modelleri bulutta güvenli ve uygun maliyetli bir şekilde saklamanı sağlar.

Link to this sectionSon Düşünceler#

Tebrikler! Artık Ultralytics YOLOv5'in yeteneklerini Google Cloud Platform'un hesaplama gücüyle birleştirmeye hazırsın. Bu kurulum, nesne algılama projelerin için ölçeklenebilirlik, verimlilik ve çok yönlülük sağlar. İster kişisel keşif, ister akademik araştırma veya endüstriyel çözümler oluşturmak için olsun, bulut üzerinde yapay zeka ve makine öğrenimi dünyasına önemli bir adım attın.

Modellerini eğitmek ve yönetmek için kod gerektirmeyen, akıcı bir deneyim için Ultralytics Platformunu kullanmayı düşün.

İlerlemeni belgelemeyi, fikirlerini canlı Ultralytics topluluğuyla paylaşmayı ve iş birliği ile destek için GitHub tartışmaları gibi kaynakları kullanmayı unutma. Şimdi, YOLOv5 ve GCP ile yola çık ve yenilikler yap!

Makine öğrenimi becerilerini geliştirmeye devam etmek mi istiyorsun? Dokümantasyonumuza dal ve daha fazla öğretici ve içgörü için Ultralytics Blogunu keşfet. Yapay zeka maceran devam etsin!