Làm chủ quy trình triển khai YOLOv5 trên Google Cloud Platform (GCP) Deep Learning VM#

Bắt đầu hành trình khám phá trí tuệ nhân tạo (AI) và machine learning (ML) có thể rất thú vị, đặc biệt khi bạn tận dụng sức mạnh và tính linh hoạt của nền tảng điện toán đám mây. Google Cloud Platform (GCP) cung cấp các công cụ mạnh mẽ phù hợp với cả người đam mê ML lẫn chuyên gia. Deep Learning VM là một trong những công cụ đó, được cấu hình sẵn cho các tác vụ khoa học dữ liệu và ML. Trong hướng dẫn này, chúng ta sẽ tìm hiểu quy trình thiết lập Ultralytics YOLOv5 trên GCP Deep Learning VM. Dù bạn mới bắt đầu tìm hiểu ML hay đã có nhiều kinh nghiệm, hướng dẫn này cung cấp lộ trình rõ ràng để triển khai các model phát hiện đối tượng sử dụng YOLOv5.

🆓 Ngoài ra, nếu bạn là người dùng GCP mới, bạn có thể tận dụng ưu đãi tín dụng miễn phí trị giá 300 USD để bắt đầu dự án.

Ngoài GCP, hãy khám phá các tùy chọn bắt đầu nhanh dễ tiếp cận khác cho YOLOv5, như Google Colab Notebook để làm việc trên trình duyệt, hoặc nền tảng có khả năng mở rộng Amazon AWS. Ngoài ra, những người yêu thích container có thể sử dụng Docker image chính thức của chúng tôi trên Docker Hub để có môi trường được đóng gói, theo Hướng dẫn bắt đầu nhanh với Docker.

Bước 1: Tạo và cấu hình Deep Learning VM#

Hãy bắt đầu bằng cách tạo một máy ảo được tối ưu hóa cho deep learning:

1. Truy cập GCP Marketplace và chọn Deep Learning VM.
2. Chọn instance n1-standard-8; instance này cung cấp sự cân bằng giữa 8 vCPU và 30 GB bộ nhớ, phù hợp với nhiều tác vụ ML.
3. Chọn một GPU. Lựa chọn tùy thuộc vào khối lượng công việc; ngay cả GPU T4 cơ bản cũng giúp tăng tốc đáng kể quá trình huấn luyện model.
4. Đánh dấu hộp kiểm 'Install NVIDIA GPU driver automatically on first startup?' để thiết lập liền mạch.
5. Cấp phát Persistent Disk SSD 300 GB để tránh tình trạng nghẽn I/O.
6. Nhấp vào 'Deploy' và chờ GCP cấp phát Deep Learning VM tùy chỉnh.

VM này được cài sẵn các công cụ và framework thiết yếu, bao gồm bản phân phối Python Anaconda, đi kèm nhiều dependency cần thiết cho YOLOv5.

Bước 2: Chuẩn bị VM cho YOLOv5#

Sau khi thiết lập môi trường, hãy cài đặt YOLOv5 và chuẩn bị để sử dụng:

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

# Install dependencies
pip install -r requirements.txt

Quy trình thiết lập này đảm bảo bạn có môi trường Python phiên bản 3.8.0 trở lên và PyTorch 1.8 trở lên. Các script của chúng tôi tự động tải model và dataset từ bản phát hành YOLOv5 mới nhất, giúp đơn giản hóa quá trình bắt đầu huấn luyện model.

Bước 3: Huấn luyện và triển khai model YOLOv5#

Sau khi hoàn tất thiết lập, bạn đã sẵn sàng huấn luyện, xác thực, dự đoán và xuất bằng YOLOv5 trên GCP VM:

# 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

Chỉ với vài lệnh, YOLOv5 cho phép bạn huấn luyện các model phát hiện đối tượng tùy chỉnh phù hợp với nhu cầu cụ thể hoặc sử dụng weights pretrained để nhanh chóng đạt kết quả trên nhiều tác vụ. Khám phá các tùy chọn triển khai model khác nhau sau khi xuất.

Cấp phát swap space (tùy chọn)#

Nếu bạn làm việc với dataset đặc biệt lớn có thể vượt quá RAM của VM, hãy cân nhắc thêm swap space để tránh lỗi bộ nhớ:

# 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

Huấn luyện dataset tùy chỉnh#

Để huấn luyện YOLOv5 trên dataset tùy chỉnh trong GCP, hãy làm theo các bước chung sau:

1. Chuẩn bị dataset theo định dạng YOLO (hình ảnh và các file nhãn tương ứng). Xem tổng quan về dataset của chúng tôi để được hướng dẫn.

2. Tải dataset lên GCP VM bằng gcloud compute scp hoặc tính năng SSH trên web console.

3. Tạo file YAML cấu hình dataset (custom_dataset.yaml) để chỉ định đường dẫn đến dữ liệu huấn luyện và xác thực, số lượng class và tên class.

4. Bắt đầu quá trình huấn luyện bằng YAML của dataset tùy chỉnh và có thể khởi đầu từ weights pretrained:

   # 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

Để biết hướng dẫn đầy đủ về cách chuẩn bị dữ liệu và huấn luyện với dataset tùy chỉnh, hãy tham khảo hướng dẫn Huấn luyện dữ liệu tùy chỉnh.

Tận dụng Cloud Storage#

Để quản lý dữ liệu hiệu quả, đặc biệt với dataset lớn hoặc nhiều thử nghiệm, hãy tích hợp quy trình YOLOv5 của bạn với Google Cloud Storage:

# 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/

Cách tiếp cận này cho phép bạn lưu trữ an toàn và tiết kiệm chi phí các dataset lớn và model đã huấn luyện trên cloud, giảm thiểu nhu cầu lưu trữ trên VM instance.

Lời kết#

Chúc mừng! Giờ đây, bạn đã sẵn sàng tận dụng khả năng của Ultralytics YOLOv5 kết hợp với sức mạnh tính toán của Google Cloud Platform. Cấu hình này mang lại khả năng mở rộng, hiệu quả và linh hoạt cho các dự án phát hiện đối tượng. Dù phục vụ mục đích khám phá cá nhân, nghiên cứu học thuật hay xây dựng giải pháp công nghiệp, bạn đã có bước tiến quan trọng vào thế giới AI và ML trên cloud.

Hãy cân nhắc sử dụng Ultralytics Platform để có trải nghiệm tinh gọn, không cần code khi huấn luyện và quản lý model.

Đừng quên ghi lại tiến độ, chia sẻ thông tin hữu ích với cộng đồng Ultralytics sôi nổi và sử dụng các tài nguyên như thảo luận trên GitHub để cộng tác và nhận hỗ trợ. Giờ thì hãy bắt tay đổi mới với YOLOv5 và GCP!

Bạn muốn tiếp tục nâng cao kỹ năng ML? Hãy tìm hiểu tài liệu và khám phá Blog Ultralytics để xem thêm hướng dẫn và thông tin chuyên sâu. Hãy tiếp tục hành trình AI của bạn!

Câu hỏi thường gặp#