AI Training - Tutoriel - Entraîner YOLOv8 pour jouer à pierre papier ciseaux

Découvrez comment entraîner un modèle avec AI Training

Objectif

L'objectif de ce tutoriel est de montrer comment entraîner YOLOv8 pour jouer au jeu « pierre papier ciseaux ».

YOLOv8 est un algorithme de détection d'objets. Bien que proche de la classification d'images, la détection d'objets effectue une classification d'images à une échelle plus précise. La détection d'objets localise et catégorise des éléments dans les images.

Il repose sur le dépôt open source de YOLOv8.

Info

Il est fortement recommandé de lire le tutoriel Notebook Entraîner YOLOv8 pour jouer à « pierre papier ciseaux » avant de lire ce tutoriel.

Prérequis

Vous avez accès au .
Vous avez créé un projet Public Cloud.
L'interface CLI ovhai est installée sur votre système (plus d'informations ici).
Vous avez Docker installé et configuré pour construire des images.
Vous disposez d'un registre d'images OCI / Docker. Vous pouvez utiliser un registre public (comme Docker Hub par exemple) ou un registre privé. Consultez la documentation Créer un registre privé pour créer un registre privé basé sur Harbor. Pour rendre votre registre compatible avec l'utilisation d'AI Solutions, suivez le guide Utiliser et gérer vos registres.
Vous avez des connaissances sur la construction d'images avec Dockerfile.

En pratique

Créer un Object Storage pour les données

Pour entraîner le modèle, vous aurez besoin de données et d'un endroit où sauvegarder le modèle entraîné.

Vous pouvez réutiliser l'Object Storage précédent utilisé dans le tutoriel Notebook Entraîner YOLOv8 pour jouer à « pierre papier ciseaux » ou suivre l'étape Créer des conteneurs Object Storage de ce même tutoriel.

Entraîner votre modèle

Info

Le code source complet est disponible sur le dépôt GitHub ai-training-examples.

Pour entraîner le modèle, nous allons utiliser AI Training. Cet outil puissant vous permet d'automatiser vos pipelines et de construire facilement des phases de fine-tuning.

AI Training vous permet d'entraîner des modèles directement à partir de vos propres images Docker.

Tout d'abord, vous devez créer un script Python chargé de réaliser l'entraînement. Vous pouvez copier-coller le code suivant dans un fichier nommé train-rock-paper-scissors :

import ultralytics
from ultralytics import YOLO
import shutil

#######################################################################################################################
## 🎯 The aim of this script is to do transfert learning on YOLOv8 model.                                            ##
## 💿 The data for train the model are in /workspace/data/rock-paper-scissors/                                       ##
## 🧠 The train model are stored in /workspace/model/rock-paper-scissors/                                            ##
#######################################################################################################################

# ✅ Check configuration
ultralytics.checks()

# 🧠 Load a pretrained YOLO model
model = YOLO('yolov8n.pt')

# 💪 Train the model with new data ➡️ one GPU / 10 itérations (epochs)
model.train(data='/workspace/data/rock-paper-scissors/data.yaml', device=0, epochs=50, verbose=True)

# 💾 Save the model
exportedMetaData = model.export()
print('Model save to : ' + exportedMetaData)

# ➡️ Copy the model to the object storage
shutil.copy(exportedMetaData, '/workspace/model/rock-paper-scissors/')

Ensuite, créez un fichier requirements.txt pour déclarer les dépendances Python :

ultralytics==8.0.194
opencv-python-headless==4.8.1.78

Ensuite, créez un Dockerfile compatible avec AI Training. Vous pouvez copier-coller le code suivant dans un fichier nommé Dockerfile :

FROM --platform=linux/x86_64 python:3.8

WORKDIR /workspace
ADD requirements.txt /workspace

RUN apt-get update && apt-get install libgl1 -y
RUN pip install -r requirements.txt

ADD train-rock-paper-scissors.py /workspace

# Mandatory to run the jobs in rootless mode
RUN chown -R 42420:42420 /workspace

CMD [ "python3"  , "/workspace/train-rock-paper-scissors.py"]

Ensuite, construisez l'image Docker et envoyez-la vers le registre partagé :

docker build . -f Dockerfile -t <shared-registry-address>/rock-paper-scissors-train:1.0.0
docker push <shared-registry-address>/rock-paper-scissors-train:1.0.0

Le résultat devrait ressembler à ceci :

$ docker build . -f Dockerfile -t my-registry.gra7.container-registry.ovh.net/rock-paper-scissors-train:1.0.0
...
 => => naming to my-registry.gra7.container-registry.ovh.net/rock-paper-scissors-train:1.0.0

$ docker push my-registry.gra7.container-registry.ovh.net/rock-paper-scissors-train:1.0.0                                                     
The push refers to repository [my-registry.gra7.container-registry.ovh.net/rock-paper-scissors-train]
6e5b7acfda9e: Pushed
..
1.0.0: digest: sha256:72f19493662aafe3d0a3dc35ea5ab76b8472bd6a709de2da1a52e7ebf8ab7ad1 size: 3054

Warning

Avertissement

Le registre partagé ne doit être utilisé qu'à des fins de test. Nous vous invitons à créer et rattacher votre propre registre. Plus d'informations à ce sujet ici. Les images envoyées vers ce registre sont réservées aux workloads AI Tools et ne seront pas accessibles pour des usages externes.

Vous pouvez trouver l'adresse de votre registre partagé en lançant cette commande :

ovhai registry list

Ensuite, connectez-vous à votre registre partagé avec vos identifiants habituels d'utilisateur de la plateforme AI :

docker login -u <user> -p <password> <shared-registry-address>

Vous pourrez ensuite construire et envoyer votre image vers ce registre partagé.

Une fois votre image Docker créée et envoyée vers le registre, vous pouvez directement utiliser la commande ovhai pour créer votre entraînement de modèle. Vous pouvez lancer l'entraînement en spécifiant plus ou moins de GPU selon la vitesse souhaitée pour votre entraînement.

Info

Si vos images sont stockées dans un registre privé, veuillez suivre la documentation Registres - Utiliser et gérer vos registres pour ajouter votre registre.

ovhai job run \
	--name rock-paper-scissors-train-job \
	--gpu 1 \
	--volume rock-paper-scissors-data@<region>/:/workspace/data:RO:cache \
	--volume rock-paper-scissors-model@<region>/:/workspace/model:RW:cache \
    --unsecure-http \
	<shared-registry-address>/rock-paper-scissors-train:1.0.0

Le résultat devrait ressembler à ceci :

$ ovhai job run \
	--name rock-paper-scissors-train-job \
	--gpu 1 \
	--volume rock-paper-scissors-data@GRA/:/workspace/data:RO:cache \
	--volume rock-paper-scissors-model@GRA/:/workspace/model:RW:cache \
    --unsecure-http \
    my-registry.gra7.container-registry.ovh.net/rock-paper-scissors-train:1.0.0

Id:         c0c0878c-5564-4660-889a-65724f6e3056
Created At: 04-07-23 14:05:58
Updated At: 04-07-23 14:05:58
User:       my-user
Spec:
  Image:                my-registry.gra7.container-registry.ovh.net/rock-paper-scissors-train:1.0.0
 Command:              
  Env Vars:             ~
  Default Http Port:    8080
  Unsecure Http:        true
  Resources:
    Gpu:               1
    Cpu:               13
    Memory:            40.0 GiB
    Public Network:    1.5 Gbps
    Private Network:   0 bps
    Ephemeral Storage: 750.0 GiB
    Gpu Model:         Tesla-V100S
    Gpu Brand:         NVIDIA
    Gpu Memory:        32.0 GiB
    Flavor:            ai1-1-gpu
  Volumes:
  - Source:
      Container: rock-paper-scissors-model
      Alias:     GRA
      Prefix:    
      Archive:   ~
    Target: ~
    Mount:
      Mount Path: /workspace/model
      Permission: Read & Write
    Cache:  true
  - Source:
      Container: rock-paper-scissors-data
      Alias:     GRA
      Prefix:    
      Archive:   ~
    Target: ~
    Mount:
      Mount Path: /workspace/data
      Permission: Read Only
    Cache:  true
  Timeout:              0
  Timeout Auto Restart: false
  Shutdown:             ~
  Name:                 rock-paper-scissors-train-job
  Labels:
    ovh/id:   c0c0878c-5564-4660-889a-65724f6e3056
    ovh/type: job
  Ssh Public Keys:      ~
Status:
  State:           QUEUED
  Ip:              ~
  External Ip:     ~
  Info:
    Message: Job submitted
  History:
    STATE      DATE
    QUEUED     20-07-23 16:08:58
  Data Sync:       ~
  Duration:        0s
  Url:             https://c0c0878c-5564-4660-889a-65724f6e3056.job.gra.ai.cloud.ovh.net
  Info Url:        https://ui.gra.ai.cloud.ovh.net/job/c0c0878c-5564-4660-889a-65724f6e3056
  Ssh Url:         ~
  Monitoring Url:  ~
  Volumes:
  - Mount Path:     /workspace/model
    Id:             fbff59c9-abfa-4d7f-ae53-549348e8c53a
    User Volume Id: b51cd2f5-99a0-4cc0-bc32-ce4515ecce6f
  - Mount Path:     /workspace/data
    Id:             2f25d170-5741-459b-919b-fef8d6fc74c4
    User Volume Id: bf7b5c4b-c61e-4d17-b6d8-248de56834b6

Vous pouvez accéder aux logs d'exécution de votre job avec la CLI :

ovhai job logs <job id> -f

Le résultat devrait ressembler à ceci :

$ ovhai job logs c0c0878c-5564-4660-889a-65724f6e3056 -f

Job is running
2023-10-06T15:23:14Z [job] Ultralytics YOLOv8.0.194 🚀 Python-3.8.18 torch-2.1.0+cu121 CUDA:0 (Tesla V100S-PCIE-32GB, 32501MiB)
2023-10-06T15:23:14Z [job] Setup complete ✅ (60 CPUs, 172.7 GB RAM, 1191.4/3519.5 GB disk)
2023-10-06T15:23:14Z [job] Downloading https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8n.pt to 'yolov8n.pt'...
100%|██████████| 6.23M/6.23M [00:00<00:00, 170MB/s]
2023-10-06T15:23:15Z [job] Ultralytics YOLOv8.0.194 🚀 Python-3.8.18 torch-2.1.0+cu121 CUDA:0 (Tesla V100S-PCIE-32GB, 32501MiB)
2023-10-06T15:23:15Z [job] engine/trainer: task=detect, mode=train, model=yolov8n.pt, data=/workspace/data/rock-paper-scissors/data.yaml, epochs=50, patience=50, batch=16, imgsz=640, save=True, save_period=-1, cache=False, device=0, workers=8, project=None, name=None, exist_ok=False, pretrained=True, optimizer=auto, verbose=True, seed=0, deterministic=True, single_cls=False, rect=False, cos_lr=False, close_mosaic=10, resume=False, amp=True, fraction=1.0, profile=False, freeze=None, overlap_mask=True, mask_ratio=4, dropout=0.0, val=True, split=val, save_json=False, save_hybrid=False, conf=None, iou=0.7, max_det=300, half=False, dnn=False, plots=True, source=None, show=False, save_txt=False, save_conf=False, save_crop=False, show_labels=True, show_conf=True, vid_stride=1, stream_buffer=False, line_width=None, visualize=False, augment=False, agnostic_nms=False, classes=None, retina_masks=False, boxes=True, format=torchscript, keras=False, optimize=False, int8=False, dynamic=False, simplify=False, opset=None, workspace=4, nms=False, lr0=0.01, lrf=0.01, momentum=0.937, weight_decay=0.0005, warmup_epochs=3.0, warmup_momentum=0.8, warmup_bias_lr=0.1, box=7.5, cls=0.5, dfl=1.5, pose=12.0, kobj=1.0, label_smoothing=0.0, nbs=64, hsv_h=0.015, hsv_s=0.7, hsv_v=0.4, degrees=0.0, translate=0.1, scale=0.5, shear=0.0, perspective=0.0, flipud=0.0, fliplr=0.5, mosaic=1.0, mixup=0.0, copy_paste=0.0, cfg=None, tracker=botsort.yaml, save_dir=runs/detect/train
...

Pour plus d'explications sur les commandes CLI d'AI Training, veuillez lire ce guide : Référence CLI.

Une fois votre modèle prêt, déployez-le pour l'utiliser. Cela se fait avec l'outil AI Deploy.

Aller plus loin

Le code source complet est disponible sur l'organisation GitHub OVHcloud.

Pour créer l'application utilisant le modèle entraîné, vous pouvez suivre ce tutoriel : Déployer une app pour jouer à « pierre papier ciseaux ».

Pour une formation ou une assistance technique sur la mise en œuvre de nos solutions, contactez votre commercial ou consultez la page Professional Services pour obtenir un devis et faire analyser votre projet par nos experts.

Votre avis nous intéresse !

N’hésitez pas à nous faire part de vos questions, retours et suggestions pour améliorer le service :

Sur le serveur Discord OVHcloud

Cette page vous a-t-elle aidé ?