Làm chủ YOLOv5 Triển khai trên Google Nền tảng đám mây (GCP) Máy ảo học sâu
Bắt đầu hành trình sử dụng trí tuệ nhân tạo (AI) và máy học (ML) có thể rất thú vị, đặc biệt là 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 dành riêng cho những người đam mê ML và các chuyên gia. Một trong những công cụ như vậy là Deep Learning VM, được cấu hình sẵn cho các tác vụ khoa học dữ liệu và ML. Trong hướng dẫn này, chúng tôi sẽ hướng dẫn quy trình thiết lập Ultralytics YOLOv5 trên GCP Deep Learning VM . Cho dù bạn đang thực hiện những bước đầu tiên trong ML hay là một học viên 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 GCP mới, bạn sẽ may mắn khi nhận được ưu đãi tín dụng miễn phí trị giá 300 đô la để bắt đầu dự án của mình.
Ngoài GCP, hãy khám phá các tùy chọn khởi động nhanh có thể truy cập khác cho YOLOv5 , giống như của chúng tôi Google Sổ tay Colab 
cho trải nghiệm dựa trên trình duyệt hoặc khả năng mở rộng của Amazon AWS. Hơn nữa, những người đam mê container có thể sử dụng hình ảnh Docker chính thức của chúng tôi có sẵn trên Trung tâm Docker 
Bước 1: Tạo và cấu hình máy ảo học sâu của bạn
Chúng ta hãy bắt đầu bằng cách tạo một máy ảo được tối ưu hóa cho việc học sâu :
- Điều hướng đến thị trường GCP và chọn Deep Learning VM .
- Chọn phiên bản n1-standard-8 ; phiên bản này cung cấp sự cân bằng giữa 8 vCPU và 30 GB bộ nhớ, phù hợp với nhiều tác vụ ML.
- Chọn GPU . Sự lựa chọn phụ thuộc vào khối lượng công việc của bạn; ngay cả một T4 cơ bản GPU sẽ đẩy nhanh đáng kể quá trình đào tạo mô hình.
- Đánh dấu vào ô 'Cài đặt NVIDIA GPU trình điều khiển tự động khi khởi động lần đầu?' để thiết lập liền mạch.
- Phân bổ Ổ đĩa SSD dung lượng 300 GB để tránh tình trạng tắc nghẽn I/O.
- Nhấp vào 'Triển khai' và cho phép GCP cung cấp VM Deep Learning tùy chỉnh của bạn.
Máy ảo này được cài sẵn các công cụ và khung thiết yếu, bao gồm Anaconda Python phân phối, thuận tiện kết hợp nhiều phụ thuộc cần thiết cho YOLOv5 .
Bước 2: Chuẩn bị VM cho YOLOv5
Sau khi thiết lập môi trường, chúng ta hãy bắt đầu YOLOv5 đã cài đặt và sẵn sàng:
# 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
Quá trình thiết lập này đảm bảo bạn có một Python môi trường phiên bản 3.8.0 trở lên và PyTorch 1.8 trở lên. Các tập lệnh của chúng tôi tự động tải xuống các mô hình và tập dữ liệu từ phiên bản mới nhất YOLOv5 phát hành , đơn giản hóa quá trình bắt đầu đào tạo mô hình.
Bước 3: Đào tạo và triển khai YOLOv5 Mô hình
Khi thiết lập hoàn tất, bạn đã sẵn sàng để đào tạo , xác thực , dự đoán và xuất với YOLOv5 trên máy ảo GCP 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 cần sử dụng 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 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 hoán đổi (Tùy chọn)
Nếu bạn đang làm việc với các tập dữ liệu đặc biệt lớn có thể vượt quá RAM của VM, hãy cân nhắc thêm không gian hoán đổi 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
Đào tạo Bộ dữ liệu tùy chỉnh
Để đào tạo YOLOv5 trên tập dữ liệu tùy chỉnh của bạn trong GCP, hãy làm theo các bước chung sau:
- Chuẩn bị tập dữ liệu của bạn theo YOLOv5 (hình ảnh và các tệp nhãn tương ứng). Xem tổng quan về tập dữ liệu của chúng tôi để biết hướng dẫn.
- Tải tập dữ liệu của bạn lên máy ảo GCP bằng cách sử dụng
gcloud compute scphoặc tính năng SSH của bảng điều khiển web. - Tạo tệp YAML cấu hình tập dữ liệu (
custom_dataset.yaml) chỉ định đường dẫn đến dữ liệu đào tạo và xác thực, số lượng lớp và tên lớp. -
Bắt đầu quá trình đào tạo bằng cách sử dụng tập dữ liệu tùy chỉnh YAML của bạn và có thể bắt đầu từ các trọng số được đào tạo 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 biết hướng dẫn toàn diện về việc chuẩn bị dữ liệu và đào tạo với các tập dữ liệu tùy chỉnh, hãy tham khảo tài liệu Ultralytics YOLOv5 Train .
Tận dụng lưu trữ đám mây
Để quản lý dữ liệu hiệu quả, đặc biệt là với các tập dữ liệu lớn hoặc nhiều thử nghiệm, hãy tích hợp YOLOv5 quy trình làm việc 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 tập dữ liệu lớn và các mô hình đã đào tạo một cách an toàn và tiết kiệm chi phí trên đám mây, giảm thiểu yêu cầu lưu trữ trên phiên bản VM của bạn.
Suy nghĩ kết thúc
Xin chúc mừng! Bây giờ bạn đã được trang bị để khai thác khả năng của Ultralytics YOLOv5 kết hợp với sức mạnh tính toán của Google Nền tảng đám mây. 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 để khám phá cá nhân, nghiên cứu học thuật hay xây dựng các giải pháp công nghiệp, bạn đã thực hiện một bước tiến đáng kể vào thế giới AI và ML trên đám mây.
Hãy cân nhắc sử dụng Ultralytics HUB để có trải nghiệm hợp lý, không cần viết mã để đào tạo và quản lý mô hình của bạn.
Hãy nhớ ghi lại tiến trình của bạn, chia sẻ hiểu biết với những người năng động Ultralytics cộng đồng và sử dụng các nguồn tài nguyên như thảo luận GitHub để cộng tác và hỗ trợ. Bây giờ, hãy tiến lên và đổi mới với YOLOv5 và GCP!
Bạn muốn tiếp tục nâng cao kỹ năng ML của mình? Hãy tham khảo tài liệu của chúng tôi và khám phá Blog Ultralytics để biết thêm hướng dẫn và thông tin chi tiết. Hãy để cuộc phiêu lưu AI của bạn tiếp tục!
