YOLOv5 🚀 auf AWS Deep Learning Instance: Dein kompletter Leitfaden
Die Einrichtung einer leistungsstarken Deep Learning-Umgebung kann für Neulinge entmutigend sein, aber keine Angst! 🛠️ Mit diesem Leitfaden führen wir dich durch den Prozess, wie du YOLOv5 auf einer AWS Deep Learning-Instanz zum Laufen bringst. Durch die Nutzung der Amazon Web Services (AWS) können auch Neulinge im maschinellen Lernen schnell und kostengünstig einsteigen. Die Skalierbarkeit der AWS-Plattform eignet sich sowohl für Experimente als auch für den Produktionseinsatz.
Weitere Schnellstartoptionen für YOLOv5 sind unsere Colab Notebook 
, GCP Deep Learning VMund unser Docker-Image unter Docker Hub 
Schritt 1: Anmeldung in der AWS-Konsole
Beginne damit, ein Konto zu erstellen oder dich bei der AWS-Konsole unter https://aws.amazon.com/console/ anzumelden . Sobald du eingeloggt bist, wählst du den EC2-Service aus, den du verwalten möchtest, und richtest deine Instances ein.
Schritt 2: Starte deine Instanz
Im EC2 Dashboard findest du die Schaltfläche Instanz starten, mit der du einen neuen virtuellen Server erstellen kannst.
Die Auswahl des richtigen Amazon Machine Image (AMI)
Hier wählst du das Betriebssystem und den Software-Stack für deine Instanz aus. Gib "Deep Learning" in das Suchfeld ein und wähle das neueste Ubuntu-basierte Deep Learning AMI aus, es sei denn, deine Bedürfnisse erfordern etwas anderes. Amazons Deep Learning AMIs sind mit gängigen Frameworks und GPU-Treibern 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. Was die Größe der Instanz angeht, solltest du daran denken, dass der Speicherbedarf des Modells niemals die Kapazität deiner Instanz übersteigen sollte.
Hinweis: Die Größe deines Modells sollte ein Faktor bei der Auswahl einer Instanz sein. Wenn dein Modell den verfügbaren Arbeitsspeicher einer Instanz überschreitet, wähle einen anderen Instanztyp mit ausreichend Speicher für deine Anwendung.
Eine Liste der verfügbaren GPU-Instance-Typen findest du unter EC2 Instance Types, speziell unter Accelerated Computing.
Weitere Informationen zur GPU-Überwachung und -Optimierung findest du unter GPU-Überwachung und -Optimierung. Informationen zur Preisgestaltung findest du unter On-Demand-Preise und Spot-Preise.
Deine Instanz konfigurieren
Amazon EC2 Spot Instances bieten eine kostengünstige Möglichkeit, Anwendungen auszuführen, da du für ungenutzte Kapazitäten zu einem Bruchteil der Standardkosten bieten kannst. Für ein dauerhaftes Erlebnis, bei dem die Daten auch dann erhalten bleiben, wenn die Spot-Instance ausfällt, entscheidest du dich für eine persistente Anfrage.
Vergiss nicht, die restlichen Instanzeinstellungen und Sicherheitskonfigurationen nach Bedarf in den Schritten 4-7 anzupassen, bevor du startest.
Schritt 3: Verbinde dich mit deiner Instanz
Sobald deine Instanz läuft, aktiviere ihr Kontrollkästchen und klicke auf Verbinden, um auf die SSH-Informationen zuzugreifen. Verwende den angezeigten SSH-Befehl in deinem bevorzugten Terminal, um eine Verbindung zu deiner Instanz herzustellen.
Schritt 4: Laufen YOLOv5
Wenn du in deine Instanz eingeloggt bist, kannst du jetzt das YOLOv5 Repository klonen und die Abhängigkeiten in einer Python 3.8 oder höher Umgebung installieren. YOLOv5 Die Modelle und Datensätze 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 du deine Umgebung eingerichtet hast, kannst du mit dem Training, der Validierung, der Inferenz und dem Export deiner 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 große Hilfe sein kann, führe 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! 🎉 Du hast erfolgreich eine AWS Deep Learning Instanz erstellt und YOLOv5 ausgeführt. Ganz gleich, ob du gerade erst mit der Objekterkennung beginnst oder für die Produktion skalierst, diese Einrichtung kann dir helfen, deine Ziele beim maschinellen Lernen zu erreichen. Viel Spaß beim Trainieren, Validieren und Bereitstellen! Solltest du dabei auf Probleme stoßen, stehen dir die solide AWS-Dokumentation und die aktive Ultralytics Community zur Seite.