Zum Inhalt springen

YOLOv5 🚀 auf AWS Deep Learning Instance: Dein kompletter Leitfaden

Die Einrichtung einer leistungsstarken Deep Learning-Umgebung kann fĂŒr Neulinge entmutigend sein, aber keine Angst! đŸ› ïž Mit diesem Leitfaden fĂŒhren 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 kostengĂŒnstig einsteigen. Die Skalierbarkeit der AWS-Plattform eignet sich sowohl fĂŒr Experimente als auch fĂŒr den Produktionseinsatz.

Weitere Schnellstartoptionen fĂŒr YOLOv5 sind unsere Colab Notebook In Colab öffnen In Kaggle öffnen, GCP Deep Learning VMund unser Docker-Image unter Docker Hub Docker Pulls.

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, wÀhlst du den EC2-Service aus, den du verwalten möchtest, und richtest deine Instances ein.

Konsole

Schritt 2: Starte deine Instanz

Im EC2 Dashboard findest du die SchaltflÀche Instanz starten, mit der du einen neuen virtuellen Server erstellen kannst.

Start

Die Auswahl des richtigen Amazon Machine Image (AMI)

Hier wĂ€hlst du das Betriebssystem und den Software-Stack fĂŒr deine Instanz aus. Gib "Deep Learning" in das Suchfeld ein und wĂ€hle das neueste Ubuntu-basierte Deep Learning AMI aus, es sei denn, deine BedĂŒrfnisse erfordern etwas anderes. Amazons Deep Learning AMIs sind mit gĂ€ngigen Frameworks und GPU-Treibern vorinstalliert, um den Einrichtungsprozess zu vereinfachen.

AMI wÀhlen

AuswÀhlen eines Instanztyps

FĂŒr Deep Learning-Aufgaben wird im Allgemeinen empfohlen, einen GPU-Instanztyp zu wĂ€hlen, da er das Modelltraining erheblich beschleunigen kann. Was die GrĂ¶ĂŸe der Instanz angeht, solltest du daran denken, dass der Speicherbedarf des Modells niemals die KapazitĂ€t deiner Instanz ĂŒbersteigen sollte.

Hinweis: Die GrĂ¶ĂŸe deines Modells sollte ein Faktor bei der Auswahl einer Instanz sein. Wenn dein Modell den verfĂŒgbaren Arbeitsspeicher einer Instanz ĂŒberschreitet, wĂ€hle einen anderen Instanztyp mit ausreichend Speicher fĂŒr deine Anwendung.

Eine Liste der verfĂŒgbaren GPU-Instance-Typen findest du unter EC2 Instance Types, speziell unter Accelerated Computing.

Typ wÀhlen

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 kostengĂŒnstige Möglichkeit, Anwendungen auszufĂŒhren, da du fĂŒr ungenutzte KapazitĂ€ten zu einem Bruchteil der Standardkosten bieten kannst. FĂŒr ein dauerhaftes Erlebnis, bei dem die Daten auch dann erhalten bleiben, wenn die Spot-Instance ausfĂ€llt, entscheidest du dich fĂŒr eine persistente Anfrage.

Spot 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 lÀuft, aktiviere ihr KontrollkÀstchen 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.

Verbinde

Schritt 4: Laufen YOLOv5

Wenn du in deine Instanz eingeloggt bist, kannst du jetzt das YOLOv5 Repository klonen und die AbhÀngigkeiten in einer Python 3.8 oder höher Umgebung installieren. YOLOv5 Die Modelle und DatensÀtze 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 hinzuzufĂŒgen, was bei großen Datenmengen eine große Hilfe sein kann, fĂŒhre 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 ausgefĂŒhrt. Ganz gleich, ob du gerade erst mit der Objekterkennung beginnst oder fĂŒr 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.



Erstellt am 2023-11-12, Aktualisiert am 2023-12-03
Autoren: glenn-jocher (2)

Kommentare