Google Cloud Platform (GCP) Deep Learning VM üzerinde 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), ML meraklıları ve profesyonelleri için özel olarak hazırlanmış güçlü araçlar sunar. Bu araçlardan biri, veri bilimi ve ML görevleri için önceden yapılandırılmış olan Deep Learning VM'dir. Bu eğitimde, Ultralytics YOLOv5 kurulum sürecini bir GCP Deep Learning VM üzerinde inceleyeceğiz. İster ML'de ilk adımlarını atıyor ol, ister deneyimli bir uygulayıcı ol, bu kılavuz YOLOv5 tarafından desteklenen nesne algılama modellerini hayata geçirmek için sana net bir yol sunar.
🆓 Ayrıca, yeni bir GCP kullanıcısıysan, projelerini başlatman için 300 dolarlık ücretsiz kredi teklifiyle şanslısın: 300$ ücretsiz kredi teklifi.
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 
Adım 1: Deep Learning VM'ini Oluştur ve Yapılandır
derin öğrenme için optimize edilmiş bir sanal makine oluşturarak başlayalım:
- GCP pazaryerine git ve Deep Learning VM seçeneğini seç.
- n1-standard-8 örneğini seç; 8 vCPU ve 30 GB bellek dengesi sunar, bu da birçok ML görevi için uygundur.
- Bir GPU seç. Seçimin iş yüküne bağlıdır; temel bir T4 GPU bile model eğitimini önemli ölçüde hızlandıracaktır.
- Sorunsuz bir kurulum için 'İlk başlatmada NVIDIA GPU sürücüsünü otomatik olarak yükle?' kutucuğunu işaretle.
- I/O darboğazlarını önlemek için 300 GB'lık bir SSD Kalıcı Disk ayır.
- 'Dağıt' (Deploy) butonuna tıkla ve GCP'nin özel Deep Learning VM'ini hazırlamasına izin ver.
Bu VM, YOLOv5 için gereken birçok bağımlılığı uygun bir şekilde paketleyen Anaconda Python dağıtımı da dahil olmak üzere temel araçlar ve çerçevelerle önceden yüklenmiş olarak gelir.
Adım 2: VM'i YOLOv5 için Hazırla
Ortamı kurduktan sonra, YOLOv5'i yükleyelim ve kullanıma hazır hale getirelim:
# Clone the YOLOv5 repository
git clone https://github.com/ultralytics/yolov5
cd yolov5
# Install dependencies
pip install -r requirements.txtThis 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.
Adım 3: YOLOv5 Modellerini Eğit ve Dağıt
Kurulum tamamlandığında, GCP VM'in 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 tfliteYalnızca birkaç komut kullanarak, YOLOv5 özel ihtiyaçlarına göre uyarlanmış özel nesne algılama modelleri eğitmeni veya çeşitli görevlerde hızlı sonuçlar almak için önceden eğitilmiş ağırlıkları kullanmanı sağlar. Dışa aktardıktan sonra farklı model dağıtım seçeneklerini keşfet.
Takas Alanı (Swap Space) Ayır (İsteğe bağlı)
VM'inin 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 -hÖzel Veri Kümelerini Eğitme
YOLOv5'i GCP içinde kendi özel veri kümen üzerinde eğitmek için şu genel adımları izle:
-
Veri kümeni YOLOv5 formatına göre hazırla (görseller ve karşılık gelen etiket dosyaları). Rehberlik için veri kümesi genel bakışımıza göz at.
-
gcloud compute scpkomutunu veya web konsolunun SSH özelliğini kullanarak veri kümeni GCP VM'ine yükle. -
Eğitim ve doğrulama verilerine giden yolları, sınıf sayısını ve sınıf adlarını belirten bir veri kümesi yapılandırma YAML dosyası (
custom_dataset.yaml) oluştur. -
Özel veri kümesi YAML dosyanı kullanarak ve muhtemelen önceden eğitilmiş ağırlıklarla 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.
Bulut Depolamadan Yararlanma
Verimli veri yönetimi için, özellikle büyük veri kümeleri veya çok sayıda deneyle uğraşırken, 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 saklamanı sağlar ve VM örneğindeki depolama gereksinimlerini en aza indirir.
Sonuç Düşünceleri
Tebrikler! Artık Google Cloud Platform'un hesaplama gücüyle birleştirilmiş Ultralytics YOLOv5 yeteneklerini kullanmaya hazırsın. Bu kurulum, nesne algılama projelerin için ölçeklenebilirlik, verimlilik ve çok yönlülük sağlar. Kişisel keşif, akademik araştırma veya endüstriyel çözümler oluşturmak için olsun, bulut üzerinde yapay zeka ve ML dünyasına önemli bir adım attın.
Modellerini eğitmek ve yönetmek için kodsuz, hızlı bir deneyim adına Ultralytics Platform'u kullanmayı düşün.
İlerlemeni belgelemeyi, içgörülerini canlı Ultralytics topluluğuyla paylaşmayı ve iş birliği ile destek için GitHub tartışmaları gibi kaynakları kullanmayı unutma. Şimdi git ve YOLOv5 ile GCP'yi kullanarak yenilikler yarat!
ML becerilerini geliştirmeye devam etmek ister misin? Belgelerimize dal ve daha fazla eğitim ve içgörü için Ultralytics Blog'u keşfet. Yapay zeka maceran devam etsin!