YOLOv5 🚀 على مثيل التعلم العميق من AWS: دليلك الكامل
Setting up a high-performance deep learning environment can be daunting for newcomers, but fear not! 🛠️ With this guide, we'll walk you through the process of getting YOLOv5 up and running on an AWS Deep Learning instance. By leveraging the power of Amazon Web Services (AWS), even those new to machine learning can get started quickly and cost-effectively. The AWS platform's scalability is perfect for both experimentation and production deployment.
خيارات التشغيل السريع الأخرى ل YOLOv5 تشمل لدينا كولاب نوت بوك , GCP التعلم العميق VM، وصورة Docker الخاصة بنا في مركز عامل ميناء .
الخطوة 1: تسجيل الدخول إلى وحدة تحكم AWS
ابدأ بإنشاء حساب أو تسجيل الدخول إلى وحدة تحكم AWS في https://aws.amazon.com/console/. بمجرد تسجيل الدخول، حدد خدمة EC2 لإدارة مثيلاتك وإعدادها.
الخطوة 2: تشغيل المثيل الخاص بك
في لوحة معلومات EC2، ستجد زر تشغيل المثيل وهو بوابتك لإنشاء خادم افتراضي جديد.
اختيار صورة آلة أمازون الصحيحة (AMI)
Here's where you choose the operating system and software stack for your instance. Type 'Deep Learning' into the search field and select the latest Ubuntu-based Deep Learning AMI, unless your needs dictate otherwise. Amazon's Deep Learning AMIs come pre-installed with popular frameworks and GPU drivers to streamline your setup process.
اختيار نوع مثيل
بالنسبة لمهام التعلّم العميق، يوصى عمومًا باختيار نوع مثيل GPU لأنه يمكن أن يسرّع تدريب النموذج بشكل كبير. بالنسبة لاعتبارات حجم المثيل، تذكر أن متطلبات ذاكرة النموذج يجب ألا تتجاوز أبدًا ما يمكن أن يوفره المثيل الخاص بك.
ملاحظه: يجب أن يكون حجم النموذج الخاص بك عاملا في اختيار مثيل. إذا تجاوز الطراز الخاص بك ذاكرة الوصول العشوائي المتوفرة للمثيل، فحدد نوع مثيل مختلف بذاكرة كافية لتطبيقك.
للاطلاع على قائمة بأنواع مثيلات GPU المتاحة، تفضل بزيارة أنواع مثيلات EC2، وتحديدًا ضمن الحوسبة المسرَّعة.
لمزيد من المعلومات حول المراقبة والتحسين GPU ، راجع GPU المراقبة والتحسين. للتسعير، انظر التسعير عند الطلب والتسعير الفوري.
تكوين المثيل الخاص بك
توفر مثيلات Amazon EC2 Spot طريقة فعالة من حيث التكلفة لتشغيل التطبيقات لأنها تتيح لك تقديم عروض أسعار للسعة غير المستخدمة بجزء بسيط من التكلفة القياسية. للحصول على تجربة مستمرة تحتفظ بالبيانات حتى عند تعطل مثيل Spot، اختر طلبا مستمرا.
تذكر ضبط بقية إعدادات المثيل وتكوينات الأمان حسب الحاجة في الخطوات من 4 إلى 7 قبل بدء التشغيل.
الخطوة 3: الاتصال بالمثيل الخاص بك
بمجرد تشغيل المثيل الخاص بك، حدد خانة الاختيار الخاصة به وانقر فوق اتصال للوصول إلى معلومات SSH. استخدم أمر SSH المعروض في المحطة الطرفية المفضلة لديك لإنشاء اتصال بالمثيل الخاص بك.
الخطوة 4: الجري YOLOv5
عند تسجيل الدخول إلى المثيل الخاص بك ، فأنت الآن جاهز لاستنساخ ملف YOLOv5 مستودع وتثبيت التبعيات داخل Python 3.8 أو بيئة أحدث. YOLOv5نماذج ومجموعات البيانات تلقائيا من أحدث إصدار.
git clone https://github.com/ultralytics/yolov5 # clone repository
cd yolov5
pip install -r requirements.txt # install dependencies
من خلال إعداد بيئتك، يمكنك البدء في التدريب والتحقق من الصحة وإجراء الاستدلال وتصدير YOLOv5 نماذج:
# Train a model on your data
python train.py
# Validate the trained model for Precision, Recall, and mAP
python val.py --weights yolov5s.pt
# Run inference using the trained model on your images or videos
python detect.py --weights yolov5s.pt --source path/to/images
# Export the trained model to other formats for deployment
python export.py --weights yolov5s.pt --include onnx coreml tflite
إضافات اختيارية
لإضافة المزيد من ذاكرة التبديل ، والتي يمكن أن تكون منقذا لمجموعات البيانات الكبيرة ، قم بتشغيل:
sudo fallocate -l 64G /swapfile # allocate 64GB swap file
sudo chmod 600 /swapfile # modify permissions
sudo mkswap /swapfile # set up a Linux swap area
sudo swapon /swapfile # activate swap file
free -h # verify swap memory
And that's it! 🎉 You've successfully created an AWS Deep Learning instance and run YOLOv5. Whether you're just starting with object detection or scaling up for production, this setup can help you achieve your machine learning goals. Happy training, validating, and deploying! If you encounter any hiccups along the way, the robust AWS documentation and the active Ultralytics community are here to support you.