Làm chủ việc Triển khai YOLOv5 trên Google Cloud Platform (GCP) Deep Learning VM
Bắt đầu hành trình trí tuệ nhân tạo (AI) và học máy (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 được thiết kế riêng cho những người đam mê và các chuyên gia ML. Một trong những công cụ đó là Deep Learning VM, được định cấu hình sẵn cho các tác vụ khoa học dữ liệu và ML. Trong hướng dẫn này, chúng ta sẽ điều hướng quy trình thiết lập Ultralytics YOLOv5 trên GCP Deep Learning VM. Cho dù bạn đang thực hiện những bước đầu tiên trong ML hay bạn là một chuyên gia dày dạn kinh nghiệm, hướng dẫn này cung cấp một lộ trình rõ ràng để triển khai các mô hình phát hiện đối tượng được hỗ trợ bởi YOLOv5.
🆓 Thêm vào đó, nếu bạn là người dùng mới của GCP, bạn sẽ được hưởng ưu đãi tín dụng miễn phí $300 để khởi động các dự án của mình.
Ngoài GCP, hãy khám phá các tùy chọn khởi động nhanh dễ tiếp cận khác cho YOLOv5, như của chúng tôi Sổ tay Google Colab 
để có trải nghiệm dựa trên trình duyệt hoặc khả năng mở rộng của Amazon AWS. Hơn nữa, những người yêu thích container có thể sử dụng ảnh Docker chính thức của chúng tôi có sẵn trên Docker Hub 
Bước 1: Tạo và Định cấu hình VM Deep Learning của bạn
Hãy bắt đầu bằng cách tạo một máy ảo được tối ưu hóa cho deep learning:
- Điều hướng đến GCP marketplace và chọn Deep Learning VM.
- Chọn một instance n1-standard-8; nó cung cấp sự cân bằng giữa 8 vCPU và 30 GB bộ nhớ, phù hợp cho nhiều tác vụ ML.
- Chọn một GPU. Lựa chọn này phụ thuộc vào khối lượng công việc của bạn; ngay cả một GPU T4 cơ bản cũng sẽ tăng tốc đáng kể quá trình huấn luyện mô hình.
- Đánh dấu vào ô 'Tự động cài đặt trình điều khiển NVIDIA GPU khi khởi động lần đầu?' để có một thiết lập liền mạch.
- Phân bổ Ổ đĩa liên tục SSD 300 GB để ngăn chặn tắc nghẽn I/O.
- Nhấp vào 'Triển khai' và cho phép GCP cung cấp Deep Learning VM tùy chỉnh của bạn.
VM này được cài sẵn các công cụ và framework cần thiết, bao gồm bộ phân phối Anaconda Python, rất tiện lợi tổng hợp nhiều phụ thuộc cần thiết cho YOLOv5.
Bước 2: Chuẩn bị VM cho YOLOv5
Sau khi thiết lập môi trường, hãy cài đặt và chuẩn bị YOLOv5:
# 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
Quy trình thiết lập này đảm bảo bạn có một môi trường python phiên bản 3.8.0 hoặc mới hơn và PyTorch 1.8 hoặc cao hơn. Các script của chúng tôi tự động tải xuống các mô hình và các tập dữ liệu từ phiên bản YOLOv5 mới nhất, đơn giản hóa quá trình bắt đầu đào tạo mô hình.
Bước 3: Huấn luyện và Triển khai các Mô hình YOLOv5 của Bạn
Khi hoàn tất cài đặt, bạn đã sẵn sàng đào tạo, xác thực, dự đoán và xuất với YOLOv5 trên GCP VM của bạn:
# 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 một vài lệnh, YOLOv5 cho phép bạn đào tạo các mô hình phát hiện đối tượng tùy chỉnh phù hợp với nhu cầu cụ thể của bạn hoặc sử dụng các trọng số được đào tạo trước để có kết quả nhanh chóng trên nhiều tác vụ khác nhau. Khám phá các tùy chọn triển khai mô hình khác nhau sau khi xuất.
Phân bổ không gian Swap (Tùy chọn)
Nếu bạn đang làm việc với các bộ dữ liệu đặc biệt lớn có thể vượt quá RAM của VM, hãy cân nhắc thêm dung lượng swap để ngăn ngừa 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 Bộ dữ liệu Tùy chỉnh
Để huấn luyện YOLOv5 trên tập dữ liệu tùy chỉnh của bạn trong GCP, hãy làm theo các bước chung sau:
- Chuẩn bị bộ dữ liệu của bạn theo định dạng YOLOv5 (hình ảnh và các tệp nhãn tương ứng). Xem tổng quan về bộ dữ liệu của chúng tôi để được hướng dẫn.
- Tải bộ dữ liệu của bạn lên GCP VM bằng cách sử dụng
gcloud compute scphoặc tính năng SSH của web console. - Tạo tệp YAML cấu hình bộ dữ liệu (
custom_dataset.yaml) chỉ định đường dẫn đến dữ liệu đào tạo và xác thực của bạn, số lượng lớp và tên lớp. -
Bắt đầu quá trình đào tạo sử dụng YAML tập dữ liệu tùy chỉnh của bạn và có khả năng bắt đầu từ các trọng số đã được huấn luyện trước:
# 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 có hướng dẫn toàn diện về chuẩn bị dữ liệu và huấn luyện với bộ dữ liệu tùy chỉnh, hãy tham khảo tài liệu Huấn luyện Ultralytics YOLOv5.
Tận dụng Lưu trữ Đám mây
Để quản lý dữ liệu hiệu quả, đặc biệt với các tập dữ liệu lớn hoặc nhiều thử nghiệm, hãy tích hợp quy trình làm việc 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/
Phương pháp này cho phép bạn lưu trữ các bộ dữ liệu lớn và các mô hình đã huấn luyện một cách an toàn và hiệu quả về chi phí trên đám mây, giảm thiểu yêu cầu lưu trữ trên phiên bản VM của bạn.
Kết luận
Xin chúc mừng! Bạn hiện được trang bị để khai thác khả năng của Ultralytics YOLOv5 kết hợp với sức mạnh tính toán của Google Cloud Platform. Thiết lập này cung cấp khả năng mở rộng, hiệu quả và tính linh hoạt cho các dự án phát hiện đối tượng của bạn. Cho dù là khám phá cá nhân, nghiên cứu học thuật hay xây dựng các giải pháp công nghiệp, bạn đã thực hiện một bước quan trọng vào thế giới AI và ML trên đám mây.
Cân nhắc sử dụng Ultralytics HUB để có trải nghiệm hợp lý, không cần code để huấn luyện và quản lý các mô hình của bạn.
Hãy nhớ ghi lại tiến trình của bạn, chia sẻ thông tin chi tiết với cộng đồng Ultralytics sôi động và sử dụng các tài nguyên như thảo luận trên GitHub để cộng tác và hỗ trợ. Giờ đây, hãy tiến lên và đổi mới với YOLOv5 và GCP!
Bạn muốn tiếp tục nâng cao kỹ năng ML của mình? Đi sâu vào tài liệu của chúng tôi và khám phá Ultralytics Blog để biết thêm các hướng dẫn và thông tin chi tiết. Hãy để cuộc phiêu lưu AI của bạn tiếp tục!
