YOLOv5 🚀 auf AWS Deep Learning Instance: Ihr vollständiger Leitfaden
Das Einrichten einer leistungsstarken Deep Learning-Umgebung kann für Neulinge entmutigend sein, aber keine Angst! 🛠️ Mit diesem Leitfaden führen wir Sie durch den Prozess, um YOLOv5 auf einer AWS Deep Learning-Instanz zum Laufen zu bringen. Durch die Nutzung der Leistung von Amazon Web Services (AWS) können selbst diejenigen, die neu im Bereich des maschinellen Lernens sind, schnell und kosteneffizient loslegen. Die Skalierbarkeit der AWS-Plattform ist sowohl für Experimente als auch für die Bereitstellung in der Produktion ideal.
Weitere Schnellstartoptionen für YOLOv5 sind unser Colab Notebook 
, GCP Deep Learning VMund unser Docker-Image unter Docker-Hub 
Schritt 1: Anmeldung in der AWS-Konsole
Beginnen Sie mit der Erstellung eines Kontos oder melden Sie sich bei der AWS-Konsole unter https://aws.amazon.com/console/ an. Wählen Sie nach der Anmeldung den EC2-Service aus, den Sie verwalten möchten, und richten Sie Ihre Instances ein.
Schritt 2: Starten Sie Ihre Instanz
Im EC2-Dashboard finden Sie die Schaltfläche Launch Instance (Instanz starten ), mit der Sie einen neuen virtuellen Server erstellen können.
Auswählen des richtigen Amazon Machine Image (AMI)
Hier können Sie das Betriebssystem und den Software-Stack für Ihre Instanz auswählen. Geben Sie"Deep Learning" in das Suchfeld ein und wählen Sie das neueste Ubuntu-basierte Deep Learning AMI aus, sofern Ihre Bedürfnisse nichts anderes vorschreiben. Auf den Deep Learning-AMIs von Amazon sind beliebte Frameworks und GPU -Treiber vorinstalliert, um den Einrichtungsprozess zu vereinfachen.
Auswählen eines Instanztyps
Für Deep-Learning-Aufgaben wird im Allgemeinen empfohlen, einen GPU Instanztyp zu wählen, da er das Modelltraining erheblich beschleunigen kann. Bei Überlegungen zur Instanzgröße ist zu beachten, dass der Speicherbedarf des Modells niemals die Kapazität der Instanz übersteigen sollte.
Hinweis: Die Größe Ihres Modells sollte ein Faktor bei der Auswahl einer Instanz sein. Wenn Ihr Modell den verfügbaren Arbeitsspeicher einer Instanz überschreitet, wählen Sie einen anderen Instanztyp mit ausreichend Speicher für Ihre Anwendung.
Eine Liste der verfügbaren GPU Instance-Typen finden Sie unter EC2 Instance Types, speziell unter Accelerated Computing.
Weitere Informationen zu GPU Überwachung und Optimierung finden Sie unter GPU Überwachung und Optimierung. Informationen zur Preisgestaltung finden Sie unter On-Demand-Preise und Spot-Preise.
Konfigurieren Ihrer Instanz
Amazon EC2 Spot-Instances bieten eine kosteneffiziente Möglichkeit zur Ausführung von Anwendungen, da Sie für ungenutzte Kapazität zu einem Bruchteil der Standardkosten bieten können. Für eine dauerhafte Erfahrung, bei der die Daten auch dann erhalten bleiben, wenn die Spot-Instance ausfällt, entscheiden Sie sich für eine persistente Anforderung.
Denken Sie daran, die restlichen Instanzeinstellungen und Sicherheitskonfigurationen nach Bedarf in den Schritten 4-7 anzupassen, bevor Sie starten.
Schritt 3: Verbinden Sie sich mit Ihrer Instanz
Sobald Ihre Instanz läuft, aktivieren Sie deren Kontrollkästchen und klicken Sie auf Verbinden, um auf die SSH-Informationen zuzugreifen. Verwenden Sie den angezeigten SSH-Befehl in Ihrem bevorzugten Terminal, um eine Verbindung zu Ihrer Instanz herzustellen.
Schritt 4: Laufen YOLOv5
Nachdem Sie sich in Ihre Instanz eingeloggt haben, können Sie nun das Repository YOLOv5 klonen und die Abhängigkeiten in einer Umgebung mit Python 3.8 oder höher installieren. YOLOv5 Die Modelle und Datensätze der Instanz werden automatisch von der neuesten Version heruntergeladen.
git clone https://github.com/ultralytics/yolov5 # clone repository
cd yolov5
pip install -r requirements.txt # install dependencies
Nachdem Sie Ihre Umgebung eingerichtet haben, können Sie mit dem Training, der Validierung, der Durchführung von Inferenzen und dem Export Ihrer YOLOv5 Modelle beginnen:
# 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
Optionale Extras
Um mehr Swap-Speicher hinzuzufügen, was bei großen Datenmengen eine Rettung sein kann, führen Sie aus:
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
Und das war's! 🎉 Sie haben erfolgreich eine AWS Deep Learning-Instanz erstellt und YOLOv5 ausgeführt. Ganz gleich, ob Sie gerade erst mit der Objekterkennung beginnen oder für die Produktion skalieren, diese Einrichtung kann Ihnen dabei helfen, Ihre Ziele beim maschinellen Lernen zu erreichen. Viel Spaß beim Trainieren, Validieren und Bereitstellen! Sollten Sie dabei auf Probleme stoßen, stehen Ihnen die solide AWS-Dokumentation und die aktive Community Ultralytics zur Seite.
