Ultralytics YOLOv5 🚀 على مثيل التعلم العميق من AWS: دليلك الكامل
قد يبدو إعداد بيئة تعلم عميق عالية الأداء أمرًا شاقًا، خاصةً بالنسبة للقادمين الجدد. لكن لا تخف! 🛠️ يوفر هذا الدليل إرشادات تفصيلية خطوة بخطوة للحصول على Ultralytics YOLOv5 وتشغيله على مثيل AWS للتعلم العميق. من خلال الاستفادة من قوة خدمات Amazon Web Services (AWS)، يمكن حتى لأولئك الجدد في مجال التعلم الآلي (ML) البدء بسرعة وفعالية من حيث التكلفة. إن قابلية التوسع التي تتمتع بها منصة AWS تجعلها مثالية لكل من التجريب والنشر الإنتاجي.
تتضمن خيارات البدء السريع الأخرى لـ YOLOv5 خيارات البدء السريع الأخرى دفتر ملاحظات Google كولاب 
, بيئات Kaggle 
, جهاز التعلم العميق الافتراضي GCP، وصورة Docker المبنية مسبقًا والمتاحة على Docker Hub 
الخطوة 1: تسجيل الدخول إلى وحدة تحكم AWS
ابدأ بإنشاء حساب أو تسجيل الدخول إلى وحدة تحكم إدارة AWS. بمجرد تسجيل الدخول، انتقل إلى لوحة تحكم خدمة EC2، حيث يمكنك إدارة خوادمك الافتراضية (المثيلات).
الخطوة 2: تشغيل المثيل الخاص بك
من لوحة تحكم EC2، انقر على زر تشغيل المثيل. يؤدي هذا إلى بدء عملية إنشاء خادم افتراضي جديد مخصص لاحتياجاتك.
اختيار صورة جهاز أمازون المناسبة (AMI)
يعد اختيار AMI الصحيح أمراً بالغ الأهمية. فهذا يحدد نظام التشغيل والبرامج المثبتة مسبقاً لمثالك. في شريط البحث، اكتب"التعلّم العميق" وحدد أحدث واجهة AMI للتعلّم العميق المستندة إلى Ubuntu (ما لم تكن لديك متطلبات محددة لنظام تشغيل مختلف). تأتي AMIs AMI للتعلم العميق من أمازون مهيأة مسبقًا مع أطر عمل التعلم العميق الشائعة (مثل PyTorchالذي يستخدمه YOLOv5) وبرامج تشغيلGPU الضرورية، مما يسهل عملية الإعداد بشكل كبير.
اختيار نوع المثيل
بالنسبة للمهام الصعبة مثل تدريب نماذج التعلّم العميق، يوصى بشدة باختيار نوع مثيل GPU لوحدة GPU. يمكن لوحدات معالجة الرسومات تقليل الوقت اللازم لتدريب النموذج بشكل كبير مقارنةً بوحدات المعالجة المركزية. عند اختيار حجم المثيل، تأكد من أن سعة ذاكرته (ذاكرة الوصول العشوائي) كافية للنموذج ومجموعة البيانات الخاصة بك.
ملاحظة: يعتبر حجم النموذج ومجموعة البيانات عاملين حاسمين. إذا كانت مهمة التعلم الآلي الخاصة بك تتطلب ذاكرة أكبر مما يوفره المثيل المحدد، فستحتاج إلى اختيار نوع مثيل أكبر لتجنب مشاكل الأداء أو الأخطاء.
استكشف أنواع مثيلات GPU المتاحة على صفحة أنواع مثيلات EC2، خاصةً ضمن فئة الحوسبة المسرَّعة.
للحصول على معلومات مفصلة حول مراقبة استخدام GPU وتحسينها، راجع دليل AWS حول مراقبةGPU وتحسينها. قارن التكاليف باستخدام التسعير عند الطلب واستكشف الوفورات المحتملة باستخدام التسعير الفوري للمثيل.
تكوين المثيل الخاص بك
ضع في اعتبارك استخدام مثيلات Amazon EC2 الفورية للحصول على نهج أكثر فعالية من حيث التكلفة. تتيح لك المثيلات الفورية تقديم عروض أسعار على سعة EC2 غير المستخدمة، وغالبًا ما يكون ذلك بخصم كبير مقارنةً بالأسعار عند الطلب. بالنسبة للمهام التي تتطلب الاستمرارية (حفظ البيانات حتى في حالة انقطاع مثيل فوري)، اختر طلبًا مستمرًا. وهذا يضمن استمرار حجم التخزين الخاص بك.
تابع الخطوات من 4 إلى 7 من معالج تشغيل المثيل لتكوين التخزين، وإضافة العلامات، وإعداد مجموعات الأمان (تأكد من أن منفذ SSH 22 مفتوح من عنوان IP الخاص بك)، وراجع إعداداتك قبل النقر على تشغيل. ستحتاج أيضًا إلى إنشاء أو تحديد زوج مفاتيح موجود للوصول الآمن إلى SSH.
الخطوة 3: الاتصال بالمثيل الخاص بك
بمجرد أن تظهر حالة المثيل الخاص بك على أنها "قيد التشغيل"، حددها من لوحة معلومات EC2. انقر على الاتصال لعرض خيارات الاتصال. استخدم مثال أمر SSH المتوفر في جهازك الطرفي المحلي (مثل Terminal على نظام macOS/Linux أو PuTTY/WSL على نظام Windows) لإنشاء اتصال آمن. ستحتاج إلى ملف المفتاح الخاص (.pem) التي أنشأتها أو حددتها أثناء التشغيل.
الخطوة 4: تشغيلYOLOv5 Ultralytics YOLOv5
الآن بعد أن أصبحت متصلاً عبر SSH، يمكنك إعداد وتشغيل YOLOv5. أولاً، قم باستنساخ مستودع YOLOv5 الرسمي من جيثب وانتقل إلى الدليل. ثم، قم بتثبيت التبعيات المطلوبة باستخدام pip. يوصى باستخدام Python بيئة 3.8 أو أحدث. سيتم تنزيل النماذج ومجموعات البيانات اللازمة تلقائيًا من أحدث إصدار YOLOv5 الإصدار عند تشغيل أوامر مثل التدريب أو الكشف.
# Clone the YOLOv5 repository
git clone https://github.com/ultralytics/yolov5
cd yolov5
# Install required packages
pip install -r requirements.txt
بعد أن أصبحت البيئة جاهزة، يمكنك البدء في استخدام YOLOv5 لمختلف المهام:
# Train a YOLOv5 model on a custom dataset (e.g., coco128.yaml)
python train.py --data coco128.yaml --weights yolov5s.pt --img 640
# Validate the performance (Precision, Recall, mAP) of a trained model (e.g., yolov5s.pt)
python val.py --weights yolov5s.pt --data coco128.yaml --img 640
# Run inference (object detection) on images or videos using a trained model
python detect.py --weights yolov5s.pt --source path/to/your/images_or_videos/ --img 640
# Export the trained model to various formats like ONNX, CoreML, TFLite for deployment
# See https://docs.ultralytics.com/modes/export/ for more details
python export.py --weights yolov5s.pt --include onnx coreml tflite --img 640
ارجع إلى وثائق Ultralytics للحصول على أدلة تفصيلية حول التدريب والتحقق من الصحة والتنبؤ (الاستدلال) والتصدير.
إضافات اختيارية: زيادة ذاكرة المبادلة
إذا كنت تعمل مع مجموعات بيانات كبيرة جدًا أو واجهت قيودًا على الذاكرة أثناء التدريب، يمكن أن تساعدك أحيانًا زيادة ذاكرة المبادلة على مثيلك. تسمح مساحة المبادلة للنظام باستخدام مساحة القرص كذاكرة وصول عشوائي افتراضية.
# Allocate a 64GB swap file (adjust size as needed)
sudo fallocate -l 64G /swapfile
# Set correct permissions
sudo chmod 600 /swapfile
# Set up the file as a Linux swap area
sudo mkswap /swapfile
# Enable the swap file
sudo swapon /swapfile
# Verify the swap memory is active
free -h
تهانينا! 🎉 لقد قمت بإعداد مثيل AWS للتعلم العميق بنجاح، وقمت بتثبيت Ultralytics YOLOv5 وأصبحت جاهزًا لأداء مهام اكتشاف الكائنات. سواء كنت تقوم بتجربة نماذج مدربة مسبقًا أو تتدرب على بياناتك الخاصة، فإن هذا الإعداد القوي يوفر أساسًا قابلاً للتطوير لمشاريع الرؤية الحاسوبية الخاصة بك. إذا واجهتك أي مشاكل، راجع وثائق AWS الشاملة وموارد مجتمع Ultralytics المفيدة مثل الأسئلة الشائعة. اكتشاف سعيد!
