Chào các bạn, hôm nay chúng ta sẽ cùng tìm hiểu cách train YOLO trên Colab nhé. Tính đến thời điểm này chúng ta đã có 02 bài trong series về Yolo, đó là:

• [YOLO Series] #1 – Sử dụng Yolo để nhận dạng đối tượng trong ảnh
• [Yolo Series] #2 – Cách train Yolo để detect các object đặc thù

Sau bài số 2 thì một số bạn có máy tính khủng, có GPU đã train thành công các model để nhận dạng, phát hiện vật thể thành công với YOLO. Tuy nhiên, một số bạn học sinh, sinh viên không có máy tính HPC, chỉ có PC thường với 4-8Gb RAM, không có GPU (như mình nè 🙁 ) thì không thể train nổi model, có bạn train 10 ngày chưa xong.

Vì vậy, để giúp các bạn học sinh nghèo vượt khó, hôm nay mình sẽ hướng dẫn các bạn cách train Yolo trên Google Colab. Trong bài này, mình sẽ giới thiệu các kỹ thuật làm việc với Google Colab và Google Drive để các bạn có thể áp dụng train Yolo nói riêng và áp dụng cho tất cả các bài toán sau này của các bạn nói chung nhé! Nói thật là nghèo nên mới phải tìm tòi, chứ giàu thì làm cái HPC toàn GPU khủng, RAM 12Gb, chip Xeon cho nó lành.

Rồi, trình bày hoàn cảnh đã xong, bây giờ bắt đầu làm nào. Đầu tiên, các bạn nên đọc lại 02 bài post mình để link bên trên để hiểu Yolo là gì, cách train cơ bản ra sao để tiện theo dõi bài này.

Cấu trúc bài viết này sẽ gồm:

• Phần 1. Chúng ta sẽ tìm hiểu sơ qua về Google Colab và cấu trúc thư mục, tài nguyên của Colab.
• Phần 2. Kết nối Colab với Google Drive
• Phần 3. Chỉnh sửa cấu hình Yolo/darknet cho phù hợp với Colab
• Phần 4. Tạo thư mục chứa source và backup weights trên Drive
• Phần 5. Train model trên Colab
• Phần 6. Tải weights về và tận hưởng thành quả.

Phần 1. Tìm hiểu qua về Colab

Vì là blog Mì AI – Học AI theo cách mì ăn liền nên mình không đi chuyên sâu về giải thích Colab là gì (mình cũng không biết vì mình cũng ăn mì, haha). Tóm lại, do PC chúng ta yếu, ko có GPU nên chúng ta phải sử dụng Google Colab của Google cung cấp miễn phí để ta train model và chạy các model trên cloud.

Ưu điểm của Colab:

• Cấu hình chip khủng, chạy nhanh vãi linh hồn
• RAM nhiều: tận 12GB nhá, máy mình PC mình có 4GB
• GPU khủng, cũng tận 12-16Gb VRAM nhé, hỗ trợ CUDA luôn.

Nhược điểm của Colab:

• Đây là môi trường Google cung cấp để chúng ta thực hành (Lab = Laboratory) chứ không phải để chúng ta làm các bài toán lớn, thực tế nên Colab giới hạn sau 10 tiếng sẽ kill toàn bộ session, xóa toàn bộ dữ liệu. Nếu chúng ta train model lớn, tốn quá 10 tiếng thì toàn bộ công sức sẽ đi tong nhé. Nhưng yên tâm, mình sẽ chỉ các bạn cách khắc phục và train thoải mái, haha. (Google có đọc thì thông cảm nhé, sinh viên VN còn nghèo).

Các bạn truy cập Colab, tạo user, tạo tài khoản Gmail nếu chưa có nhé. Địa chỉ truy cập là https://colab.research.google.com. Tạo xong các bạn New Python3 Notebook là sẽ bắt đầu code được rồi.

Sau khi tạo xong Notebook, các bạn vào menu Runtime > Change runtime type và chọn Hardware là GPU nhé.

Phần 2. Kết nối Colab với Google Drive

Đến đây bạn đang thắc mắc là tại sao đang nói đến Colab lại nhắc đến Google Drive làm quái gì. Lý do là như mình nói ở trên, nếu chúng ta lưu dữ liệu trên Colab thì sau 10 tiếng, nó sẽ xóa trắng, mất toi công sức. Vì vậy chúng ta phải sử dụng Google Drive để lưu trữ dữ liệu gồm: mã nguồn, file cấu hình và file backup weights (đoạn này nếu chưa hiểu các bạn đọc lại bài #2 nhé).

Để kết nối với Google Drive, các bạn tạo 1 CODE BLOCK và gõ:

from google.colab import drive
drive.mount('/content/drive')Code language: JavaScript (javascript)

Sau đó nhấn nút mũi tên để chạy code, Colab sẽ hiện ra 1 link URL, các bạn bấm vào đó, chọn tài khoản Google Drive, copy mã code hiển thị trên màn hình và paste vào ô Enter your authorization code. Colab báo mounted là okie nhé.

Bây giờ các bạn đã có thể lưu dữ liệu của bạn vào thư mục /drive/My Drive/ thoải mái nhé. Nó sẽ tự đồng bộ sang Google Drive.

Phần 3. Chỉnh sửa cấu hình Yolo/darknet

Đến đây, tôi coi như bạn đã tải được Darknet về máy PC của bạn, đã chỉnh sửa cấu hình, đã tạo file train.txt, val.txt và tất cả các hạng mục cần thiết để có thể train Yolo trên PC nhé. Nếu các bạn chưa biết làm như nào, hãy đọc lại bài số 2 tại đây: [Yolo Series] #2 – Cách train Yolo để detect các object đặc thù

Bây giờ các bạn mở lại file Makefile trong thư mục /darknet (ở máy tính của các bạn nhé) sửa GPU=1 nhé (để tận dụng sức mạnh GPU của Colab).

Đã xong, bây giờ zip toàn bộ thư mục darknet trên PC lại, zip làm sao để khi mở file zip ra nhìn thấy có thư mục darknet. Tạm đặt tên là darknet.zip nhé.

Phần 4. Tạo thư mục chứa source và backup weights trên Drive

Bây giờ bạn truy cập vào Google Drive (dùng tài khoản Drive mà bạn đã kết nối ở bước 2 nhé). Ra thư mục gốc của Drive, thực hiện các bước sau:

• Tạo thư mục ML, upload file darknet.zip vào thư mục ML đó.
• Tạo thư mục backup nằm trong thư mục ML

Thế là xong, chờ upload xong thì sang phần 5 nhé.

Phần 5. Train model trên Colab

Mọi thứ đã sẵn sàng giờ chúng ta sẽ train model trên colab. Đoạn này hơi lằng nhằng tý, các bạn chú ý kỹ nhé.

Bước 1. Các bạn cần lấy mã nguồn đã upload trên Drive sang Colab, để chạy cho nhanh. Tạo một CODE BLOCK và gõ:

%cd /content
!unzip /content/drive/'My Drive'/ML/darknet.zip
%cd /content/darknetCode language: JavaScript (javascript)

Sau khi gõ xong, bấm nút mũi tên để chạy, Colab sẽ copy source sang rất nhanh, bạn đợi chút khi nào Colab dừng chạy là được. Các bạn cũng có thể vào phần Files để kiểm tra cho chắc.

Sau khi giải nén xong thì với các bạn sử dụng Window cần chạy thêm một số lệnh sau để tránh lỗi trong quá trình train (các bạn dùng MacOS , Linux cũng cứ chạy cho chắc cũng được). Các bạn tạo 1 code block mới và gõ vào:

%cd /content/darknet
!sudo apt install dos2unix
!dos2unix cfg/yolov3.cfg train.txt val.txt yolo.names yolo.data

Bước 2. Bây giờ chúng ta cần biên dịch mã nguồn darknet trên Colab. Tạo một CODE BLOCK và gõ mỗi lệnh:

# Edit make file
makefiletemp = open('Makefile','r+') 
list_of_lines = makefiletemp.readlines()
list_of_lines[6] = "ARCH= -gencode arch=compute_35,code=sm_35 \\\n"

makefiletemp = open('Makefile','w')
makefiletemp.writelines(list_of_lines)
makefiletemp.close()

%cd /content/darknet
!make clean
!make
!chmod +x ./darknetCode language: PHP (php)

Sau đó chạy CODE BLOCK đó để biên dịch và chuyển mode sang Execute cho darknet.

Bước 3. Bước này đặc biệt quan trọng, các bạn chú ý. Bình thường như hướng dẫn tại bài #2, thì weights tạo ra sẽ nằm trong thư mục backup, nhưng lần này thư mục Backup của chúng ta lại nằm trên Colab nên sẽ bị xóa, thế thì tèo. Nên chung ta sẽ tạo 1 CODE BLOCK và gõ đoạn này và chạy:

!rm /content/darknet/backup -r
!ln -s /content/drive/'My Drive'/ML/backup /content/darknetCode language: JavaScript (javascript)

Rồi, bây giờ thay vì chỉ lưu trên folder backup của Colab, nó sẽ lưu sang cái thư mục Backup trên Drive mà bạn tạo ở Phần 4 đấy. Colab xóa thoải mái con gà mái nhé.

Bước 4. Thôi train model nào. Phần này thì giống hệt như ở bài #2. Tạo 1 CODE BLOCK mới và gõ:

%cd /content/darknet
!./darknet detector train yolo.data cfg/yolov3.cfg darknet53.conv.74

Rồi ta lại đợi train thôi và theo dõi folder backup trên Drive, các file weights sẽ bay vào đó ầm ầm luôn.

Chú ý: Vì cách viết đường dẫn trong Windows và Linux khác nhau nên nếu bạn nào dùng máy Windows để đường dẫn trong file train là dấu \ thì đổi thành dấu / để không bị lỗi nhé.

Đến đây các bạn sẽ nhận thấy:

• Tốc độ Train YOLO trên Colab cực nhanh, nhanh rất nhiều so với PC
• RAM thoải mái, GPU thoải mái nên không còn hiện tượng bị crash do thiếu RAM
• Sướng vãi của lúa 😀

Update:

• Các bạn chú ý, sau 10 tiếng thì Colab sẽ kill, chúng ta sẽ phỉa làm lại như trên để train tiếp. Chú ý khi train tiếp, tại bước train phía trên, các bạn có thể thay darknet53.conv.74 bằng các file weights đã lưu ở bước trước để có thể train tiếp, thay vì train lại từ đầu nhé. Ví dụ

!./darknet detector train yolo.data cfg/yolov3.cfg backup/yolov3_2000.weights

• Ngoài ra, 1 số bạn dùng Window thì khi Train YOLO trên Colab sẽ bị các lỗi như: Couldn’t open train.txt (dù đã có file train.txt rõ ràng), Couldn’t open 1 file ảnh nào đó trong file train (dù đã có file đó rõ ràng trong thư mục images) thì làm như sau:
  • Tải file dos2unix tại đây: https://sourceforge.net/projects/dos2unix/files/dos2unix/
  • Chạy lệnh dos2unix train.txt để convert về dạng tương thích với Colab.
  • Sau khi chạy xong, zip và up lên drive, sau đó xóa sạch thư mục /content/darknet và thực hiện lại Phần 5 nhé

Phần 6. Tải weights về và tận hướng

Phần này thì y hệt như bài số #2, chỉ khác là ở bài 2 các bạn có sẵn file weights trong thư mục backup ở máy tính PC thì giờ các bạn phải tải file weights từ Drive về và copy vào thư mục backup ở PC của bạn nhé.

Ngoài ra các bạn cũng có thể code luôn trên colab để dùng luôn weights trong Drive để detect mà ko cần tải về nhé. Các bạn tùy chọn!

Tổng kết

Rồi, như vậy mình đã hương dẫn các bạn train YOLO bằng Colab cho nhanh và tiện với các bạn chưa có điều kiện trang bị HPC. Còn bạn nào có HPC thì chả cần quan tâm vụ này làm gì cho mệt.

Mình xin nhắc lại, các kỹ thuật dùng trong bài Train YOLO trên Colab này như connect drive, zip file, unzip… các bạn có thể áp dụng với bất kì bài toán nào khác nhé. Chúc các bạn thành công!

Fanpage: http://facebook.com/miaiblog
Group trao đổi, chia sẻ: https://www.facebook.com/groups/miaigroup
Website: https://miai.vn
Youtube: http://bit.ly/miaiyoutube