Ultralytics YOLOv5 🚀 AWS ディープラーニングインスタンス完全ガイド

高性能なディープラーニング環境のセットアップは、特に初心者にとって困難に思えることがあります。でもご安心ください！🛠️ このガイドでは、Ultralytics YOLOv5をAWSディープラーニングインスタンス上で起動するためのステップバイステップの手順を説明します。Amazon Web Services（AWS）の力を活用することで、機械学習（ML）の初心者でも迅速かつコスト効率よく始められます。AWSプラットフォームのスケーラビリティは、実験と本番デプロイの両方に最適です。

YOLOv5のその他のクイックスタートオプションには、Google Colab Notebook 、Kaggle環境 、GCPディープラーニングVM、およびDocker Hubで利用可能なビルド済みDockerイメージ があります。

ステップ1: AWSコンソールへのサインイン

まず、AWS Management Consoleでアカウントを作成するかサインインします。ログイン後、仮想サーバー（インスタンス）を管理できるEC2サービスダッシュボードに移動します。

ステップ2: インスタンスの起動

EC2ダッシュボードからLaunch Instanceボタンをクリックします。これにより、ニーズに合わせた新しい仮想サーバーの作成プロセスが開始されます。

適切なAmazon Machine Image（AMI）の選択

正しいAMIを選択することが重要です。これによりインスタンスのオペレーティングシステムとプリインストールされたソフトウェアが決まります。検索バーに「Deep Learning」と入力し、最新のUbuntuベースのディープラーニングAMIを選択します（別のOSに特定の要件がある場合を除く）。AmazonのディープラーニングAMIには、人気のディープラーニングフレームワーク（YOLOv5が使用するPyTorchなど）と必要なGPUドライバーが事前設定されており、セットアッププロセスを大幅に簡略化します。

インスタンスタイプの選択

ディープラーニングモデルのトレーニングなどの高負荷タスクには、GPU高速化インスタンスタイプの選択を強くお勧めします。GPUはCPUと比較してモデルトレーニングに必要な時間を大幅に短縮できます。インスタンスサイズを選択する際は、モデルとデータセットに十分なメモリ容量（RAM）があることを確認してください。

注意: モデルとデータセットのサイズは重要な要素です。MLタスクが選択したインスタンスのメモリを超える場合は、パフォーマンスの問題やエラーを避けるために、より大きなインスタンスタイプを選択する必要があります。

EC2インスタンスタイプページで利用可能なGPUインスタンスタイプを確認してください。特にAccelerated Computingカテゴリをご覧ください。

GPU使用状況の監視と最適化の詳細については、AWSのGPU監視と最適化ガイドを参照してください。オンデマンド料金でコストを比較し、スポットインスタンス料金で潜在的な節約を探ってください。

インスタンスの設定

よりコスト効率の高いアプローチとして、Amazon EC2スポットインスタンスの使用を検討してください。スポットインスタンスでは未使用のEC2キャパシティに入札でき、オンデマンド価格と比べて大幅な割引が得られることが多いです。永続性が必要なタスク（スポットインスタンスが中断された場合でもデータを保存する）には、persistent requestを選択してください。これによりストレージボリュームが保持されます。

インスタンス起動ウィザードのステップ4〜7に進み、ストレージの設定、タグの追加、セキュリティグループの設定（IPアドレスからSSHポート22が開いていることを確認）、Launchをクリックする前に設定を確認します。セキュアなSSHアクセスのために、新しいキーペアを作成するか既存のものを選択する必要があります。

ステップ3: インスタンスへの接続

インスタンスの状態が「running」と表示されたら、EC2ダッシュボードから選択します。Connectボタンをクリックして接続オプションを表示します。ローカルターミナル（macOS/LinuxのTerminal、またはWindowsのPuTTY/WSL）で提供されたSSHコマンド例を使用して、セキュアな接続を確立します。起動時に作成または選択した秘密鍵ファイル（.pem）が必要です。

ステップ4: Ultralytics YOLOv5の実行

SSHで接続したら、YOLOv5をセットアップして実行できます。まず、GitHubから公式YOLOv5リポジトリをクローンし、ディレクトリに移動します。次に、pipを使用して必要な依存関係をインストールします。Python 3.8以降の環境を使用することをお勧めします。トレーニングや検出などのコマンドを実行すると、必要なモデルとデータセットが最新のYOLOv5リリースから自動的にダウンロードされます。

# Clone the YOLOv5 repository
git clone https://github.com/ultralytics/yolov5
cd yolov5

# Install required packages
pip install -r requirements.txt

環境の準備ができたら、さまざまなタスクにYOLOv5を使用できます：

# Train a YOLOv5 model on a custom dataset (e.g., coco128.yaml)
python train.py --data coco128.yaml --weights yolov5s.pt --img 640

# Validate the performance (Precision, Recall, mAP) of a trained model (e.g., yolov5s.pt)
python val.py --weights yolov5s.pt --data coco128.yaml --img 640

# Run inference (object detection) on images or videos using a trained model
python detect.py --weights yolov5s.pt --source path/to/your/images_or_videos/ --img 640

# Export the trained model to various formats like ONNX, CoreML, TFLite for deployment
# See https://docs.ultralytics.com/modes/export/ for more details
python export.py --weights yolov5s.pt --include onnx coreml tflite --img 640

トレーニング、検証、予測（推論）、エクスポートの詳細ガイドについては、Ultralyticsドキュメントを参照してください。

オプション: スワップメモリの増加

非常に大きなデータセットを扱う場合やトレーニング中にメモリ制限に遭遇した場合、インスタンスのスワップメモリを増やすことが有効な場合があります。スワップ領域はシステムがディスクスペースを仮想RAMとして使用できるようにします。

# Allocate a 64GB swap file (adjust size as needed)
sudo fallocate -l 64G /swapfile

# Set correct permissions
sudo chmod 600 /swapfile

# Set up the file as a Linux swap area
sudo mkswap /swapfile

# Enable the swap file
sudo swapon /swapfile

# Verify the swap memory is active
free -h

おめでとうございます！🎉 AWSディープラーニングインスタンスのセットアップ、Ultralytics YOLOv5のインストールが完了し、物体検出タスクを実行する準備が整いました。事前学習済みモデルの実験でも、独自データでのトレーニングでも、この強力なセットアップはコンピュータービジョンプロジェクトのスケーラブルな基盤を提供します。問題が発生した場合は、充実したAWSドキュメントとFAQなどのUltralyticsコミュニティリソースを参照してください。検出を楽しんでください！