Vai al contenuto

YOLOv5 🚀 su AWS Deep Learning Instance: La tua guida completa

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.

Altre opzioni di avvio rapido per YOLOv5 sono le nostre Taccuino Colab Apri in Colab Apri in Kaggle, GCP Deep Learning VMe la nostra immagine Docker all'indirizzo Hub Docker Docker tira.

Passo 1: Accesso alla console AWS

Inizia creando un account o accedendo alla console AWS all'indirizzo https://aws.amazon.com/console/. Una volta effettuato l'accesso, seleziona il servizio EC2 da gestire e configura le tue istanze.

Console

Passo 2: Avviare l'istanza

Nella dashboard di EC2 troverai il pulsante Avvia Istanza, che ti permetterà di creare un nuovo server virtuale.

Lancio

Selezionare la giusta immagine della macchina Amazon (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.

Scegli AMI

Scegliere un tipo di istanza

Per le attività di deep learning, la scelta di un'istanza di tipo GPU è generalmente consigliata perché può accelerare notevolmente l'addestramento del modello. Per quanto riguarda le dimensioni dell'istanza, ricorda che i requisiti di memoria del modello non devono mai superare la capacità dell'istanza.

Nota: le dimensioni del tuo modello dovrebbero essere un fattore determinante nella scelta dell'istanza. Se il tuo modello supera la RAM disponibile di un'istanza, seleziona un altro tipo di istanza con una memoria sufficiente per la tua applicazione.

Per un elenco dei tipi di istanza disponibili su GPU , visita la sezione Tipi di istanza EC2, in particolare alla voce Computing accelerato.

Scegli il tipo

Per maggiori informazioni sul monitoraggio e l'ottimizzazione di GPU , consulta GPU Monitoring and Optimization. Per i prezzi, vedi Prezzi su richiesta e Prezzi spot.

Configurare l'istanza

Le Istanze Spot di Amazon EC2 offrono un modo economico per eseguire le applicazioni, in quanto ti permettono di fare offerte per la capacità inutilizzata a una frazione del costo standard. Per un'esperienza persistente che conserva i dati anche quando l'istanza Spot si spegne, opta per una richiesta persistente.

Richiesta di spot

Ricordati di regolare le altre impostazioni dell'istanza e le configurazioni di sicurezza come necessario nei passi 4-7 prima di lanciarla.

Passo 3: Connettersi alla propria istanza

Una volta che la tua istanza è in esecuzione, seleziona la sua casella di controllo e clicca su Connetti per accedere alle informazioni SSH. Usa il comando SSH visualizzato nel tuo terminale preferito per stabilire una connessione alla tua istanza.

Collegati

Passo 4: Esecuzione YOLOv5

Effettuato l'accesso alla tua istanza, sei ora pronto a clonare il repository YOLOv5 e a installare le dipendenze in un ambiente Python 3.8 o successivo. YOLOv5 I modelli e i dataset verranno scaricati automaticamente dall'ultima versione.

git clone https://github.com/ultralytics/yolov5  # clone repository
cd yolov5
pip install -r requirements.txt  # install dependencies

Una volta configurato l'ambiente, puoi iniziare ad addestrare, convalidare, fare inferenze ed esportare i tuoi modelli 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

Extra opzionali

Per aggiungere più memoria di swap, che può essere una salvezza per i dataset di grandi dimensioni, esegui:

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.


📅 Created 11 months ago ✏️ Updated 20 days ago

Commenti