YOLOv5 🚀 sur AWS Deep Learning Instance : Votre guide complet
La mise en place d'un environnement d'apprentissage profond performant peut être décourageante pour les nouveaux venus, mais n'ayez crainte ! 🛠️ Ce guide vous guidera dans le processus de mise en place de YOLOv5 sur une instance AWS Deep Learning. En tirant parti de la puissance d'Amazon Web Services (AWS), même les novices en matière d'apprentissage automatique peuvent se lancer rapidement et à moindre coût. L'évolutivité de la plateforme AWS est parfaite pour l'expérimentation et le déploiement en production.
D'autres options de démarrage rapide pour YOLOv5 comprennent notre Carnet de notes Colab 
, GCP Deep Learning VMet notre image Docker Ă Hub Docker 
Étape 1 : Connexion à la console AWS
Commencez par créer un compte ou par vous connecter à la console AWS à l'adresse https://aws.amazon.com/console/. Une fois connecté, sélectionnez le service EC2 à gérer et configurez vos instances.
Étape 2 : Lancer votre instance
Dans le tableau de bord EC2, vous trouverez le bouton Lancer une instance, qui vous permettra de créer un nouveau serveur virtuel.
Choisir la bonne Amazon Machine Image (AMI)
C'est ici que vous choisissez le système d'exploitation et la pile logicielle pour votre instance. Tapez"Deep Learning" dans le champ de recherche et sélectionnez la dernière AMI Deep Learning basée sur Ubuntu, sauf si vos besoins l'exigent. Les AMI Deep Learning d'Amazon sont préinstallées avec les frameworks les plus courants et les pilotes GPU pour simplifier votre processus d'installation.
Choisir un type d'instance
Pour les tâches d'apprentissage profond, la sélection d'un type d'instance GPU est généralement recommandée car elle permet d'accélérer considérablement la formation du modèle. En ce qui concerne la taille de l'instance, n'oubliez pas que les besoins en mémoire du modèle ne doivent jamais dépasser ce que votre instance peut fournir.
Remarque : la taille de votre modèle doit être prise en compte lors de la sélection d'une instance. Si votre modèle dépasse la mémoire vive disponible d'une instance, sélectionnez un autre type d'instance disposant de suffisamment de mémoire pour votre application.
Pour obtenir une liste des types d'instances disponibles sur GPU , consultez la page Types d'instances EC2, et plus particulièrement la rubrique Calcul accéléré.
Pour plus d'informations sur la surveillance et l'optimisation de GPU , voir GPU Surveillance et optimisation. Pour la tarification, voir Tarification Ă la demande et Tarification spot.
Configuration de votre instance
Les instances Amazon EC2 Spot offrent un moyen rentable d'exécuter des applications, car elles vous permettent de faire une offre pour une capacité inutilisée à une fraction du coût standard. Pour une expérience persistante qui conserve les données même lorsque l'instance Spot tombe en panne, optez pour une requête persistante.
N'oubliez pas d'ajuster les autres paramètres de votre instance et les configurations de sécurité si nécessaire dans les étapes 4 à 7 avant de lancer l'application.
Étape 3 : Connexion à votre instance
Une fois que votre instance est en cours d'exécution, cochez sa case et cliquez sur Connecter pour accéder aux informations SSH. Utilisez la commande SSH affichée dans votre terminal préféré pour établir une connexion avec votre instance.
Étape 4 : Exécution YOLOv5
Connecté à votre instance, vous êtes maintenant prêt à cloner le dépôt YOLOv5 et à installer les dépendances dans un environnement Python 3.8 ou plus récent. YOLOv5 Les modèles et les ensembles de données du projet seront automatiquement téléchargés à partir de la dernière version.
git clone https://github.com/ultralytics/yolov5 # clone repository
cd yolov5
pip install -r requirements.txt # install dependencies
Une fois votre environnement configuré, vous pouvez commencer à entraîner, valider, effectuer des inférences et exporter vos modèles YOLOv5 :
# 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
Extras optionnels
Pour ajouter de la mémoire d'échange, ce qui peut s'avérer utile pour les grands ensembles de données, exécutez :
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
Et c'est tout ! 🎉 Vous avez réussi à créer une instance AWS Deep Learning et à exécuter YOLOv5. Que vous commenciez avec la détection d'objets ou que vous passiez à l'échelle pour la production, cette configuration peut vous aider à atteindre vos objectifs en matière d'apprentissage automatique. Bonne formation, bonne validation et bon déploiement ! Si vous rencontrez des difficultés en cours de route, la solide documentation AWS et la communauté active Ultralytics sont là pour vous aider.
