Google Cloud Platform (GCP) Derin Öğrenme VM'sinde YOLOv5 Dağıtımında Uzmanlaşma#

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), hem ML meraklıları hem de profesyoneller için tasarlanmış güçlü araçlar sunar. Bu araçlardan biri, veri bilimi ve ML görevleri için önceden yapılandırılmış Derin Öğrenme VM'sidir. Bu eğitimde, Ultralytics YOLOv5 modelini bir GCP Derin Öğrenme VM'si üzerinde kurma sürecini ele alacağız. İster ML alanında ilk adımlarını atıyor ol ister deneyimli bir uygulayıcı ol, bu kılavuz YOLOv5 tarafından desteklenen nesne algılama modellerini uygulaman için anlaşılır bir yol sunar.

🆓 Ayrıca yeni bir GCP kullanıcısıysan, projelerine başlamak için sunulan $300 ücretsiz kredi fırsatından yararlanabilirsin.

GCP'nin yanı sıra, YOLOv5 için tarayıcı tabanlı bir deneyim sunan Google Colab Not Defteri veya Amazon AWS ölçeklenebilirliği gibi erişilebilir diğer hızlı başlangıç seçeneklerini keşfet. Ayrıca konteyner meraklıları, kapsüllenmiş bir ortam için Docker Hızlı Başlangıç Kılavuzumuzu izleyerek Docker Hub üzerinde bulunan resmî Docker imajımızı kullanabilir.

Adım: Derin Öğrenme VM'ni Oluşturma ve Yapılandırma#

derin öğrenme için optimize edilmiş bir sanal makine oluşturarak başlayalım:

1. GCP Marketplace'e gidip Derin Öğrenme VM'si seç.
2. n1-standard-8 örneğini seç; bu örnek, birçok ML görevi için uygun olan 8 vCPU ve 30 GB bellek arasında dengeli bir yapı sunar.
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” düğmesine tıkla ve GCP'nin özel Derin Öğrenme VM'ni hazırlamasına izin ver.

Bu VM, gerekli birçok bağımlılığı YOLOv5 için uygun şekilde bir araya getiren Anaconda Python dağıtımı da dâhil olmak üzere temel araçlar ve çerçeveler önceden yüklenmiş olarak gelir.

Adım: VM'yi YOLOv5 için Hazırlama#

Ortamı kurduktan sonra 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, 3.8.0 veya daha yeni bir Python ortamı ile 1.8 veya sonraki bir PyTorch sürümüne sahip olmanı sağlar. Betiklerimiz, en yeni YOLOv5 sürümündeki modelleri ve veri kümelerini otomatik olarak indirerek model eğitimine başlamanı kolaylaştırır.

Adım: YOLOv5 Modellerini Eğitme ve Dağıtma#

Kurulum tamamlandığında, GCP VM'n üzerinde YOLOv5 ile eğitim, doğrulama, tahmin ve dışa aktarma 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

Yalnızca birkaç komutla YOLOv5, özel ihtiyaçlarına göre uyarlanmış özel nesne algılama modellerini eğitmeni veya çeşitli görevlerde hızlı sonuçlar almak için önceden eğitilmiş ağırlıkları kullanmanı sağlar. Dışa aktarma sonrasında farklı model dağıtım seçeneklerini keşfet.

Takas Alanı Ayırma (İsteğe Bağlı)#

VM'nin RAM'ini aşabilecek özellikle 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#

Özel veri kümeni GCP içinde YOLOv5 ile eğitmek için şu genel adımları izle:

1. Veri kümeni YOLOv5 formatına (görüntüler ve bunlara karşılık gelen etiket dosyaları) göre hazırla. Yönergeler için veri kümelerine genel bakışımıza bak.

2. Veri kümeni gcloud compute scp kullanarak veya web konsolunun SSH özelliğiyle GCP VM'ne 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 ve gerekirse önceden eğitilmiş ağırlıkları kullanarak 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

Verileri hazırlama ve özel veri kümeleriyle eğitim hakkında kapsamlı talimatlar için Ultralytics YOLOv5 Eğitim belgelerine başvur.

Bulut Depolamadan Yararlanma#

Özellikle büyük veri kümeleri veya çok sayıda deney için verimli veri yönetimi amacıyla 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 bir şekilde depolamana olanak tanırken VM örneğindeki depolama gereksinimlerini en aza indirir.

Sonuç#

Tebrikler! Artık Ultralytics YOLOv5'in yeteneklerinden Google Cloud Platform'un hesaplama gücüyle birlikte yararlanabilecek durumdasın. Bu kurulum, nesne algılama projelerin için ölçeklenebilirlik, verimlilik ve çok yönlülük sağlar. İster kişisel keşif, ister akademik araştırma, isterse endüstriyel çözümler geliştirme amacıyla olsun, bulutta AI ve ML dünyasına doğru önemli bir adım attın.

Modellerini eğitmek ve yönetmek için kolaylaştırılmış, 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 geliştirmeye devam et!

ML becerilerini geliştirmeye devam etmek ister misin? Belgelerimize göz at ve daha fazla eğitim ile içgörü için Ultralytics Blogu'nu keşfet. AI maceran devam etsin!