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

Google Cloud Platform (GCP), veri bilimi ve makine öğrenimi (ML) görevleri için önceden yapılandırılmış Derin Öğrenme VM'si sunan bir bulut bilişim platformudur. Bu eğitim, Ultralytics YOLOv5'i bir GCP Derin Öğrenme VM'sinde kurma adımlarını açıklar. ML alanında ilk adımlarını atıyor ya da deneyimli bir uygulayıcı ol, bu eğitim YOLOv5 ile nesne algılama modellerini eğitip çalıştırman için açık bir yol sunar.

GCP'yi ilk kez kullananlar, başlamak için $300 tutarında ücretsiz kredi teklifinden de yararlanabilir.

YOLOv5 için diğer hızlı başlangıç seçenekleri arasında tarayıcı üzerinden kullanım sunan Google Colab Notebook veya Amazon AWS ölçeklenebilirliği yer alır. Yalıtılmış bir ortam için Docker Hub üzerinden sunulan resmî Docker imajımızı da kullanabilir ve Docker Hızlı Başlangıç Kılavuzu'ndaki adımları izleyebilirsin.

Adım 1: Derin Öğrenme Sanal Makineni Oluştur ve Yapılandır#

Derin öğrenme için optimize edilmiş bir sanal makine oluşturarak başla:

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. 'NVIDIA GPU sürücüsü ilk başlatmada 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#

Ardından YOLOv5'i ve bağımlılıklarını yükle:

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

# Install dependencies
pip install -r requirements.txt

YOLOv5 için Python 3.8.0 veya üzeri ve PyTorch 1.8 veya üzeri gereklidir. Betikler, modelleri ve veri kümelerini en son YOLOv5 sürümünden otomatik olarak indirerek model eğitimine başlamayı kolaylaştırır.

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

Birkaç komutla ihtiyaçlarına göre özelleştirilmiş nesne tespiti modelleri eğitebilir veya hızlı sonuçlar almak için önceden eğitilmiş ağırlıklarla başlayabilirsin.

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#

Artık Ultralytics YOLOv5, Google Cloud Platform Derin Öğrenme VM'sinde çalışıyor ve kişisel denemelerden akademik araştırmalara ve endüstriyel çözümlere kadar çeşitli nesne algılama projelerine hazır.

Modellerini kod yazmadan eğitip yönetmek için Ultralytics Platform kullanmayı düşün.

Soruların ve iş birliği için GitHub tartışmalarına katıl.

Sık Sorulan Sorular#