YOLOv5 🚀 sur AWS Deep Learning Instance : Ton guide complet
Setting up a high-performance deep learning environment can be daunting for newcomers, but fear not! 🛠️ With this guide, we'll walk you through the process of getting YOLOv5 up and running on an AWS Deep Learning instance. By leveraging the power of Amazon Web Services (AWS), even those new to machine learning can get started quickly and cost-effectively. The AWS platform's scalability is perfect for both experimentation and production deployment.
D'autres options de démarrage rapide pour YOLOv5 incluent notre Carnet de notes Colab 
, GCP Deep Learning VM, et notre image Docker à . Hub Docker 
Étape 1 : Connexion à la console AWS
Commence par créer un compte ou par te connecter à la console AWS à l'adresse https://aws.amazon.com/console/. Une fois connecté, sélectionne le service EC2 à gérer et configure tes instances.
Étape 2 : Lancer ton instance
Dans le tableau de bord EC2, tu trouveras le bouton Lancer l'instance qui est ta porte d'entrée pour créer un nouveau serveur virtuel.
Choisir la bonne Amazon Machine Image (AMI)
Here's where you choose the operating system and software stack for your instance. Type 'Deep Learning' into the search field and select the latest Ubuntu-based Deep Learning AMI, unless your needs dictate otherwise. Amazon's Deep Learning AMIs come pre-installed with popular frameworks and GPU drivers to streamline your setup process.
Choisir un type d'instance
Pour les tâches d'apprentissage profond, la sélection d'un type d'instance GPU est généralement recommandée car elle peut considérablement accélérer la formation du modèle. Pour les considérations relatives à la taille de l'instance, rappelle-toi que les besoins en mémoire du modèle ne doivent jamais dépasser ce que ton instance peut fournir.
Note : La taille de ton modèle doit être un facteur dans la sélection d'une instance. Si ton modèle dépasse la mémoire vive disponible d'une instance, choisis un autre type d'instance avec suffisamment de mémoire pour ton application.
Pour obtenir une liste des types d'instances disponibles sur GPU , consulte la page Types d'instances EC2, et plus précisément 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 à la demande et Tarification ponctuelle.
Configuration de ton instance
Les Amazon EC2 Spot Instances offrent un moyen rentable d'exécuter des applications, car elles te 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, opte pour une requête persistante.
N'oublie pas d'ajuster le reste des paramètres de ton instance et des configurations de sécurité si nécessaire dans les étapes 4 à 7 avant de lancer.
Étape 3 : Connexion à ton instance
Une fois que ton instance est en cours d'exécution, coche sa case et clique sur Connecter pour accéder aux informations SSH. Utilise la commande SSH affichée dans ton terminal préféré pour établir une connexion avec ton instance.
Étape 4 : Exécution YOLOv5
Connecté à ton instance, tu es 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 d'EMC 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 ton environnement mis en place, tu peux commencer à former, valider, effectuer des inférences et exporter tes 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 plus de mémoire d'échange, ce qui peut être un sauveur pour les grands ensembles de données, exécute :
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
And that's it! 🎉 You've successfully created an AWS Deep Learning instance and run YOLOv5. Whether you're just starting with object detection or scaling up for production, this setup can help you achieve your machine learning goals. Happy training, validating, and deploying! If you encounter any hiccups along the way, the robust AWS documentation and the active Ultralytics community are here to support you.
