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 yararlandığınızda. Google Cloud Platform (GCP) hem makine öğrenimi meraklıları hem de profesyoneller için özel olarak tasarlanmış sağlam araçlar sunuyor. Bu araçlardan biri, veri bilimi ve makine öğrenimi görevleri için önceden yapılandırılmış olan Deep Learning VM'dir. Bu eğitimde, kurulum sürecinde gezineceğiz Ultralytics YOLOv5 GCP Derin Öğrenme Sanal Makinesi üzerinde. İster makine öğrenimine ilk adımlarınızı atıyor ister deneyimli bir uygulayıcı olun, bu kılavuz YOLOv5 tarafından desteklenen nesne algılama modellerini uygulamak için net bir yol sağlar.

🆓 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 şu adreste bulunan resmi Docker imajımızı kullanabilirler Docker Hub kapsüllenmiş bir ortam için, bizim Docker Hızlı Başlangıç Kılavuzu.

Adım 1: Derin Öğrenme Sanal Makinenizi Oluşturun ve Yapılandırın

Derin öğrenme için optimize edilmiş bir sanal makine oluşturarak başlayalım:

GCP marketplace 'e gidin ve Deep Learning VM'sini seçin.
Bir n1-standard-8 örneği seçin; birçok makine öğrenimi görevi için uygun olan 8 vCPU ve 30 GB bellek dengesi sunar.
Bir seçim yapın GPU. Seçim iş yükünüze bağlıdır; temel bir T4 GPU bile model eğitimini önemli ölçüde hızlandıracaktır.
Sorunsuz bir kurulum için "İlk başlangıçta NVIDIA GPU sürücüsünü otomatik olarak yükle?" kutusunu işaretleyin.
G/Ç darboğazlarını önlemek için 300 GB SSD Kalıcı Disk tahsis edin.
'Deploy'a tıklayın ve GCP'nin özel Derin Öğrenme VM'nizi hazırlamasına izin verin.

Bu sanal makine, YOLOv5 için gerekli birçok bağımlılığı uygun bir şekilde bir araya getiren Anaconda Python dağıtımı da dahil olmak üzere temel araçlar ve çerçevelerle önceden yüklenmiş olarak gelir.

GCP Marketplace'te Derin Öğrenme Sanal Makinesi kurulumuna ilişkin örnek

Adım 2: Sanal Makineyi YOLOv5 için Hazırlayın

Ortamı kurduktan sonra YOLOv5 'i kurup hazır hale getirelim:

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

# Navigate into the cloned repository directory
cd yolov5

# Install the required Python packages listed in requirements.txt
pip install -r requirements.txt

Bu kurulum işlemi, Python ortamının 3.8.0 veya daha yeni bir sürümüne sahip olmanızı ve PyTorch 1.8 veya üstü. Komut dosyalarımız, modelleri ve veri kümelerini en son YOLOv5 sürümünden otomatik olarak indirerek model eğitimine başlama sürecini basitleştirir.

Adım 3: YOLOv5 Modellerinizi Eğitin ve Dağıtın

Kurulum tamamlandığında, GCP VM'nizde YOLOv5 ile eğitmeye, doğrulamaya, tahmin etmeye ve dışa aktar maya hazırsınız demektir:

# 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

Sadece birkaç komut kullanarak YOLOv5 , özel ihtiyaçlarınıza göre uyarlanmış özel nesne algılama modellerini eğitmenize veya çeşitli görevlerde hızlı sonuçlar için önceden eğitilmiş ağırlıkları kullanmanıza olanak tanır. Dışa aktardıktan sonra farklı model dağıtım seçeneklerini keşfedin.

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

Takas Alanı Tahsis Etme (İsteğe Bağlı)

Sanal makinenizin RAM'ini aşabilecek özellikle büyük veri kümeleriyle çalışıyorsanız, bellek hatalarını önlemek için takas alanı eklemeyi düşünün:

# 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 Kümelerinin Eğitimi

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

Veri setinizi YOLOv5 formatına göre hazırlayın (görüntüler ve ilgili etiket dosyaları). Rehberlik için veri kümelerine genel bakış bölümümüze bakın.
Veri kümenizi GCP VM'nize yüklemek için gcloud compute scp veya web konsolunun SSH özelliğini kullanabilirsiniz.
Bir veri kümesi yapılandırma YAML dosyası oluşturun (custom_dataset.yaml) eğitim ve doğrulama verilerinize giden yolları, sınıf sayısını ve sınıf adlarını belirtir.
Özel veri kümeniz YAML'yi kullanarak ve potansiyel olarak önceden eğitilmiş ağırlıklardan başlayarak eğitim sürecini başlatın:

# 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 Train belgelerine bakın.

Bulut Depolamadan Yararlanma

Özellikle büyük veri kümelerinde veya çok sayıda deneyde verimli veri yönetimi için YOLOv5 iş akışınızı Google Cloud Storage ile entegre edin:

# 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 depolamanıza olanak tanıyarak VM örneğinizdeki depolama gereksinimlerini en aza indirir.

Son Düşünceler

Tebrikler! Artık Ultralytics YOLOv5 'in yeteneklerini Google Cloud Platform'un hesaplama gücü ile birlikte kullanmak için donanımlısınız. Bu kurulum, nesne algılama projeleriniz için ölçeklenebilirlik, verimlilik ve çok yönlülük sağlar. İster kişisel keşif, ister akademik araştırma veya endüstriyel çözümler oluşturmak için olsun, bulutta yapay zeka ve makine öğrenimi dünyasına önemli bir adım attınız.

Modellerinizi eğitmek ve yönetmek için kolaylaştırılmış, kodsuz bir deneyim için Ultralytics HUB kullanmayı düşünün.

İlerlemenizi belgelemeyi, canlı Ultralytics topluluğuyla içgörülerinizi paylaşmayı ve işbirliği ve destek için GitHub tartışmaları gibi kaynakları kullanmayı unutmayın. Şimdi, ileri gidin ve YOLOv5 ve GCP ile yenilik yapın!

Makine öğrenimi becerilerinizi geliştirmeye devam etmek ister misiniz? Belgelerimize dalın ve daha fazla öğretici ve içgörü için Ultralytics Blog 'u keşfedin. Yapay zeka maceranız devam etsin!

📅1 yıl önce oluşturuldu ✏️ 6 gün önce güncellendi