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

Yapay zeka ve makine öğrenimi yolculuğuna çıkmak heyecan verici olabilir, özellikle de bir bulut platformunun gücünden ve esnekliğinden yararlandığınızda. Google Cloud Platform (GCP), hem makine öğrenimi meraklıları hem de profesyoneller için özel olarak tasarlanmış sağlam araçlar sunuyor. Bu araçlardan biri de veri bilimi ve makine öğrenimi görevleri için önceden yapılandırılmış olan Derin Öğrenme Sanal Makinesi'dir. Bu eğitimde, kurulum süreci boyunca gezineceğiz YOLOv5 GCP Derin Öğrenme Sanal Makinesi üzerinde. İster makine öğrenimine ilk adımlarınızı atıyor ister deneyimli bir uygulayıcı olun, bu kılavuz size YOLOv5 tarafından desteklenen nesne algılama modellerini uygulamak için net bir yol sağlamak üzere tasarlanmıştır.

🆓 Ayrıca, yeni bir GCP kullanıcısıysanız, projelerinizi başlatmak için 300 $ 'lık ücretsiz kredi teklifi ile şanslısınız.

GCP'ye ek olarak, YOLOv5 gibi diğer erişilebilir hızlı başlangıç seçeneklerini de keşfedin. Google Colab Notebook veya tarayıcı tabanlı bir deneyim için ölçeklenebilirlik Amazon AWS. Ayrıca, konteyner meraklıları resmi Docker imajımızı şu adresten kullanabilirler Docker Hub kapsüllenmiş bir ortam için.

Adım 1: Derin Öğrenme Sanal Makinenizi Oluşturun ve Yapılandırın

Derin öğrenme için ayarlanmış bir sanal makine oluşturarak başlayalım:

GCP marketplace 'e gidin ve Deep Learning VM'sini seçin.
Bir n1-standard-8 örneğini tercih edin; 8 vCPU ve 30 GB bellek dengesi sunar ve ihtiyaçlarımız için idealdir.
Ardından, bir GPU seçin. Bu, iş yükünüze bağlıdır; T4 gibi basit bir model bile model eğitiminizi önemli ölçüde hızlandıracaktır.
Sorunsuz kurulum için " NVIDIA GPU sürücüsünü ilk açılışta otomatik olarak yükle?" kutusunu işaretleyin.
G/Ç işlemlerinde darboğaz yaşamamanızı sağlamak için 300 GB SSD Kalıcı Disk ayırın.
'Deploy' düğmesine basın ve GCP'nin özel Derin Öğrenme sanal makinenizi hazırlarken sihrini konuşturmasına izin verin.

Bu sanal makine, YOLOv5 için gerekli tüm bağımlılıkları uygun bir şekilde bir araya getiren Anaconda Python dağıtımı da dahil olmak üzere önceden yüklenmiş araçlar ve çerçevelerden oluşan bir hazine ile birlikte gelir.

GCP Marketplace'te Derin Öğrenme Sanal Makinesi kurulumuna ilişkin örnek

Adım 2: VM'yi aşağıdakiler için hazırlayın YOLOv5

Ortam kurulumunun ardından YOLOv5 adresini çalıştıralım:

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

# Change the directory to the cloned repository
cd yolov5

# Install the necessary Python packages from requirements.txt
pip install -r requirements.txt

Bu kurulum işlemi, Python ortamının 3.8.0 veya daha yeni bir sürümüyle çalıştığınızı ve PyTorch 1.8 veya üzeri. Komut dosyalarımız, modelleri ve veri kümelerini doğrudan en son YOLOv5 sürümünden sorunsuz bir şekilde indirerek model eğitimine başlamayı sorunsuz hale getirir.

Adım 3: YOLOv5 Modellerinizi Eğitin ve Dağıtın

Kurulum tamamlandığında, GCP VM'nizde YOLOv5 ile eğitim ve çıkarım yapmaya hazırsınız demektir:

# Train a model on your data
python train.py

# Validate the trained model for Precision, Recall, and mAP
python val.py --weights yolov5s.pt

# Run inference using the trained model on your images or videos
python detect.py --weights yolov5s.pt --source path/to/images

# Export the trained model to other formats for deployment
python export.py --weights yolov5s.pt --include onnx coreml tflite

Sadece birkaç komutla YOLOv5 , özel ihtiyaçlarınıza göre uyarlanmış özel nesne algılama modellerini eğitmenize veya çeşitli görevlerde hızlı sonuçlar için önceden eğitilmiş ağırlıkları kullanmanıza olanak tanır.

Bir GCP Derin Öğrenme VM'sinde model eğitimini gösteren terminal komutu görüntüsü

Takas Alanı Tahsis Etme (İsteğe Bağlı)

Ağır veri kümeleriyle uğraşanlar için GCP örneğinizi 64 GB'lık ek bir takas belleği ile güçlendirmeyi düşünün:

sudo fallocate -l 64G /swapfile
sudo chmod 600 /swapfile
sudo mkswap /swapfile
sudo swapon /swapfile
free -h # confirm the memory increment

Özel Veri Kümelerinin Eğitimi

YOLOv5 'i GCP'deki özel veri kümeniz üzerinde eğitmek için aşağıdaki adımları izleyin:

Veri setinizi YOLOv5 formatında hazırlayın (görüntüler ve etiketler)
Veri kümenizi GCP VM'nize yüklemek için gcloud veya SCP
Yolları ve sınıfları belirten bir veri kümesi YAML dosyası oluşturma
Uygun parametrelerle eğitime başlayın:

python train.py --img 640 --batch 16 --epochs 100 --data custom.yaml --weights yolov5s.pt

Özel veri kümeleriyle eğitim hakkında daha ayrıntılı talimatlar için Ultralytics YOLOv5 belgelerine bakın.

Bulut Depolamadan Yararlanma

Verimli veri yönetimi için YOLOv5 iş akışınızı Google Cloud Storage ile entegre edin:

# Install Google Cloud SDK if not already installed
curl https://sdk.cloud.google.com | bash
gcloud init

# Copy data to/from Cloud Storage
gsutil cp -r gs://your-bucket/dataset ./
gsutil cp -r ./runs/train/exp/weights gs://your-bucket/models/

Bu yaklaşım, VM depolama gereksinimlerinizi minimum düzeyde tutarken büyük veri kümelerini ve eğitilmiş modelleri bulutta güvenli bir şekilde depolamanıza olanak tanır.

Son Düşünceler

Tebrikler! Artık YOLOv5 'un yeteneklerini Google Cloud Platform'un hesaplama becerisiyle birlikte kullanma yetkisine sahipsiniz. Bu kombinasyon, nesne algılama görevleriniz için ölçeklenebilirlik, verimlilik ve çok yönlülük sağlar. İster kişisel projeler, ister akademik araştırmalar veya endüstriyel uygulamalar için olsun, bulut üzerinde yapay zeka ve makine öğrenimi dünyasına önemli bir adım attınız.

Yolculuğunuzu belgelemeyi, Ultralytics topluluğuyla içgörülerinizi paylaşmayı ve daha da büyümek için GitHub tartışmaları gibi işbirlikçi arenalardan yararlanmayı unutmayın. Şimdi, ileri gidin ve YOLOv5 ve GCP ile yenilik yapın!

Makine öğrenimi becerilerinizi ve bilginizi geliştirmeye devam etmek ister misiniz? Daha fazla kaynak için belgelerimize ve eğitimlerimize göz atın. Yapay zeka maceranız devam etsin!

📅1 yıl önce oluşturuldu ✏️ 9 gün önce güncellendi