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

yapay zeka (AI) ve makine öğrenimi (ML) yolculuğuna çıkmak heyecan verici olabilir, özellikle de bir bulut bilişim platformunun gücünden ve esnekliğinden yararlandığında. Google Cloud Platform (GCP), ML meraklıları ve profesyonelleri için özel olarak tasarlanmış güçlü araçlar sunar. Bu araçlardan biri de veri bilimi ve ML görevleri için önceden yapılandırılmış olan Deep Learning VM'dir. Bu öğreticide, Ultralytics YOLOv5 modelini bir GCP Deep Learning VM üzerinde kurma sürecini ele alacağız. İster ML'de ilk adımlarını atıyor ol ister deneyimli bir uygulayıcı ol, bu rehber YOLOv5 tarafından desteklenen nesne tespiti modellerini uygulamak için net bir yol sunar.

🆓 Ayrıca, yeni bir GCP kullanıcısıysan, projelerini başlatman için $300 ücretsiz kredi teklifi şansına sahipsin.

GCP'ye ek olarak, tarayıcı tabanlı bir deneyim için Google Colab Notebook gibi YOLOv5 için diğer erişilebilir hızlı başlangıç seçeneklerini veya Amazon AWS ölçeklenebilirliğini keşfet. Ayrıca konteyner meraklıları, Docker Hızlı Başlangıç Kılavuzunu takip ederek Docker Hub üzerinden sunulan resmi Docker imajımızı izole bir ortam için kullanabilir.

Adım: 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 seçeneğini seç.
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. Seçimin 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 birçok bağımlılığı kolayca bir araya getiren Anaconda Python dağıtımı dahil olmak üzere temel araçlar ve çerçevelerle önceden yüklenmiş olarak gelir.

Adım: 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

Bu kurulum süreci, Python 3.8.0 veya daha yeni bir sürüm ile PyTorch 1.8 veya sonraki bir sürümüne sahip olmanı sağlar. Betiklerimiz, en son YOLOv5 sürümünden modelleri ve veri setlerini otomatik olarak indirerek model eğitimine başlama sürecini basitleştirir.

Adım: 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

Yalnızca birkaç komut kullanarak YOLOv5, özel ihtiyaçlarına göre uyarlanmış özel nesne tespiti modelleri eğitmeni veya çeşitli görevlerde hızlı sonuçlar elde etmek için önceden eğitilmiş ağırlıkları kullanmanı sağlar. Dışa aktardıktan sonra farklı model dağıtım seçeneklerini keşfet.

Takas (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

Özel Veri Kümelerini Eğitme#

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

1. Veri setini YOLOv5 formatına göre hazırla (görseller ve ilgili etiket dosyaları). Rehberlik için veri setleri genel bakışımıza göz at.

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

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

4. Özel veri seti 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 setleriyle eğitim hakkında kapsamlı talimatlar için Ultralytics YOLOv5 Train documentation belgesine başvur.

Bulut Depolamadan Yararlanma#

Verimli veri yönetimi için, özellikle büyük veri setleri veya çok sayıda deneme ile çalışırken, 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.

Son Düşünceler#

Tebrikler! Artık Google Cloud Platform'un hesaplama gücüyle birleştirilmiş Ultralytics YOLOv5 yeteneklerinden yararlanmaya hazırsın. Bu kurulum, nesne tespiti projelerin için ölçeklenebilirlik, verimlilik ve çok yönlülük sağlar. İster kişisel keşif, ister akademik araştırma, ister endüstriyel çözümler inşa etmek için olsun, bulutta AI ve ML dünyasına önemli bir adım attın.

Modellerini eğitmek ve yönetmek için kod gerektirmeyen, kolaylaştırılmış bir deneyim amacıyla Ultralytics Platform kullanmayı düşün.

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

ML becerilerini geliştirmeye devam etmek ister misin? Daha fazla öğretici ve içgörü için belgelerimize dal ve Ultralytics Blog sayfasını keşfet. AI maceran devam etsin!