AWS Deep Learning Instance에서 실행하는 Ultralytics YOLOv5 🚀: 완벽 가이드#

고성능 딥러닝 환경을 설정하는 일은 특히 초보자에게 어려워 보일 수 있습니다. 하지만 걱정하지 마세요! 🛠️ 이 가이드에서는 AWS Deep Learning 인스턴스에서 Ultralytics YOLOv5를 실행하는 과정을 단계별로 안내합니다. 아마존 웹 서비스(AWS)의 강력한 기능을 활용하면 머신 러닝(ML)을 처음 접하는 사용자도 빠르고 비용 효율적으로 시작할 수 있습니다. AWS 플랫폼의 확장성은 실험과 프로덕션 배포 모두에 적합합니다.

YOLOv5의 다른 빠른 시작 옵션으로는 Google Colab Notebook , Kaggle 환경 , GCP Deep Learning VM, 그리고 Docker Hub에서 제공되는 사전 구축된 Docker 이미지가 있습니다 .

1단계: AWS 콘솔 로그인#

AWS Management Console 계정을 생성하거나 로그인하여 시작합니다. 로그인한 후 EC2 서비스 대시보드로 이동하면 가상 서버(인스턴스)를 관리할 수 있습니다.

2단계: 인스턴스 시작#

EC2 대시보드에서 Launch Instance 버튼을 클릭합니다. 그러면 필요에 맞게 구성된 새 가상 서버를 생성하는 과정이 시작됩니다.

적절한 Amazon Machine Image(AMI) 선택#

올바른 AMI를 선택하는 것이 중요합니다. AMI는 인스턴스에 사용할 운영 체제와 사전 설치 소프트웨어를 결정합니다. 검색창에 'Deep Learning'을 입력하고 최신 Ubuntu 기반 Deep Learning AMI를 선택합니다(다른 OS에 대한 특정 요구 사항이 없는 경우). Amazon의 Deep Learning AMI에는 널리 사용되는 딥러닝 프레임워크(예: YOLOv5에서 사용하는 PyTorch)와 필요한 GPU 드라이버가 사전 구성되어 있어 설정 과정이 크게 간소화됩니다.

인스턴스 유형 선택#

딥러닝 모델 학습과 같이 작업량이 많은 경우 GPU 가속 인스턴스 유형을 선택하는 것이 좋습니다. GPU를 사용하면 CPU에 비해 모델 학습에 필요한 시간을 크게 줄일 수 있습니다. 인스턴스 크기를 선택할 때는 메모리 용량(RAM)이 모델과 데이터셋에 충분한지 확인해야 합니다.

참고: 모델과 데이터셋의 크기는 중요한 요소입니다. ML 작업에 선택한 인스턴스가 제공하는 것보다 더 많은 메모리가 필요한 경우 성능 문제나 오류를 방지하려면 더 큰 인스턴스 유형을 선택해야 합니다.

EC2 Instance Types 페이지에서 사용 가능한 GPU 인스턴스 유형을 확인하세요. 특히 Accelerated Computing 카테고리를 살펴보면 됩니다.

GPU 사용량 모니터링 및 최적화에 대한 자세한 내용은 AWS의 GPU Monitoring and Optimization 가이드를 참조하세요. On-Demand Pricing을 사용하여 비용을 비교하고, Spot Instance Pricing을 통해 잠재적인 비용 절감 효과를 확인하세요.

인스턴스 구성#

비용 효율적인 접근 방식을 위해 Amazon EC2 스팟 인스턴스 사용을 고려해 보십시오. 스팟 인스턴스를 사용하면 유휴 EC2 용량에 입찰할 수 있으며, 온디맨드 가격에 비해 대폭 할인된 가격으로 이용할 수 있는 경우가 많습니다. 중단 없이 완료되어야 하는 학습의 경우, 종료 대신 중지로 중단 동작을 설정하여 영구 요청을 선택하면 EBS 볼륨과 학습 결과물이 유지되며 용량이 다시 확보될 때 인스턴스가 재시작됩니다.

인스턴스 시작 마법사의 4~7단계를 진행하여 스토리지를 구성하고, 태그를 추가하고, 보안 그룹을 설정한 다음(사용자의 IP에서 SSH 포트 22가 열려 있는지 확인), Launch를 클릭하기 전에 설정을 검토합니다. 또한 보안 SSH 액세스를 위해 새 키 페어를 생성하거나 기존 키 페어를 선택해야 합니다.

3단계: 인스턴스에 연결#

인스턴스 상태가 'running'으로 표시되면 EC2 대시보드에서 해당 인스턴스를 선택합니다. Connect 버튼을 클릭하여 연결 옵션을 확인합니다. 로컬 터미널(macOS/Linux의 Terminal 또는 Windows의 PuTTY/WSL 등)에서 제공된 SSH 명령 예제를 사용하여 보안 연결을 설정합니다. 시작 과정에서 생성하거나 선택한 프라이빗 키 파일(.pem)이 필요합니다.

4단계: Ultralytics YOLOv5 실행#

이제 SSH로 연결했으므로 YOLOv5를 설정하고 실행할 수 있습니다. 먼저 GitHub에서 공식 YOLOv5 리포지토리를 클론하고 해당 디렉터리로 이동합니다. 그런 다음 pip을 사용하여 필요한 종속성을 설치합니다. Python 3.8 이상 환경을 사용하는 것이 좋습니다. 학습이나 감지와 같은 명령을 실행하면 필요한 모델과 데이터셋이 최신 YOLOv5 릴리스에서 자동으로 다운로드됩니다.

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

# Install required packages
pip install -r requirements.txt

환경이 준비되면 YOLOv5를 다양한 작업에 사용할 수 있습니다:

# 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
python export.py --weights yolov5s.pt --include onnx coreml tflite --img 640

자세한 가이드는 커스텀 데이터 학습 및 모델 내보내기 튜토리얼을 참조하십시오.

선택 사항: 스왑 메모리 늘리기#

매우 큰 데이터셋을 사용하거나 학습 중 메모리 제한에 도달하는 경우 인스턴스의 스왑 메모리를 늘리면 도움이 될 수 있습니다. 스왑 공간을 사용하면 시스템이 디스크 공간을 가상 RAM으로 사용할 수 있습니다.

# 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

축하합니다! 🎉 AWS Deep Learning 인스턴스를 성공적으로 설정하고 Ultralytics YOLOv5를 설치했으므로 이제 객체 감지 작업을 수행할 수 있습니다. 사전 학습된 모델을 실험하거나 자체 데이터로 학습하는 경우에도 이 강력한 설정은 컴퓨터 비전 프로젝트를 위한 확장 가능한 기반을 제공합니다. 문제가 발생하면 광범위한 AWS 문서와 FAQ 같은 유용한 Ultralytics 커뮤니티 리소스를 참조하세요. 즐거운 감지 작업 되세요!

FAQ#