AWS Deep Learning 인스턴스에서 Ultralytics YOLOv5 🚀: 완벽한 가이드
고성능 딥 러닝 환경을 설정하는 것은 특히 처음 접하는 사람들에게는 daunting하게 보일 수 있습니다. 하지만 두려워하지 마세요! 🛠️ 이 가이드는 AWS Deep Learning 인스턴스에서 Ultralytics YOLOv5를 설정하고 실행하는 방법에 대한 단계별 안내를 제공합니다. Amazon Web Services(AWS)의 강력한 기능을 활용하여 머신 러닝(ML)을 처음 접하는 사람도 빠르고 비용 효율적으로 시작할 수 있습니다. AWS 플랫폼의 확장성은 실험과 프로덕션 배포 모두에 이상적입니다.
YOLOv5에 대한 다른 빠른 시작 옵션은 다음과 같습니다. Google Colab 노트북 
, Kaggle 환경 
, GCP Deep Learning VM, 그리고 사전 구축된 Docker 이미지는 다음에서 사용할 수 있습니다. Docker Hub 
1단계: AWS 콘솔 로그인
AWS Management Console에 계정을 만들거나 로그인하여 시작하십시오. 로그인한 후 가상 서버(인스턴스)를 관리할 수 있는 EC2 서비스 대시보드로 이동합니다.
2단계: 인스턴스 시작
EC2 대시보드에서 인스턴스 시작 버튼을 클릭합니다. 그러면 필요에 맞게 조정된 새 가상 서버를 만드는 프로세스가 시작됩니다.
적절한 Amazon Machine Image (AMI) 선택
올바른 AMI를 선택하는 것이 중요합니다. 이는 인스턴스의 운영 체제와 사전 설치된 소프트웨어를 결정합니다. 검색 창에 'Deep Learning'을 입력하고 최신 Ubuntu 기반 Deep Learning AMI를 선택합니다(다른 OS에 대한 특정 요구 사항이 없는 경우). Amazon의 Deep Learning AMI는 YOLOv5에서 사용되는 딥 러닝 프레임워크(예: PyTorch) 및 필요한 GPU 드라이버와 같이 널리 사용되는 도구와 함께 사전 구성되어 제공되므로 설정 프로세스를 크게 간소화합니다.
인스턴스 유형 선택
딥 러닝 모델 학습과 같이 까다로운 작업의 경우 GPU 가속 인스턴스 유형을 선택하는 것이 좋습니다. GPU는 CPU에 비해 모델 학습에 필요한 시간을 획기적으로 줄일 수 있습니다. 인스턴스 크기를 선택할 때는 메모리 용량(RAM)이 모델 및 데이터 세트에 충분한지 확인하십시오.
참고: 모델 및 데이터 세트의 크기는 중요한 요소입니다. ML 작업에 선택한 인스턴스에서 제공하는 것보다 더 많은 메모리가 필요한 경우 성능 문제나 오류를 방지하려면 더 큰 인스턴스 유형을 선택해야 합니다.
EC2 인스턴스 유형 페이지에서 사용 가능한 GPU 인스턴스 유형, 특히 가속 컴퓨팅 범주를 살펴보세요.
GPU 사용량 모니터링 및 최적화에 대한 자세한 내용은 AWS 가이드의 GPU 모니터링 및 최적화를 참조하십시오. 온디맨드 요금을 사용하여 비용을 비교하고 스팟 인스턴스 요금으로 잠재적인 절감액을 살펴보십시오.
인스턴스 구성
비용 효율적인 접근 방식을 위해 Amazon EC2 스팟 인스턴스를 사용하는 것을 고려해 보세요. 스팟 인스턴스를 사용하면 미사용 EC2 용량에 입찰할 수 있으며, 일반적으로 온디맨드 가격에 비해 상당한 할인을 받을 수 있습니다. 스팟 인스턴스가 중단되더라도 데이터 저장을 유지해야 하는 작업의 경우 영구 요청을 선택하십시오. 이렇게 하면 스토리지 볼륨이 유지됩니다.
인스턴스 시작 마법사의 4~7단계를 진행하여 스토리지를 구성하고, 태그를 추가하고, 보안 그룹을 설정하고(SSH 포트 22가 IP에서 열려 있는지 확인), 시작을 클릭하기 전에 설정을 검토합니다. 또한 보안 SSH 액세스를 위해 기존 키 페어를 생성하거나 선택해야 합니다.
3단계: 인스턴스에 연결
인스턴스 상태가 '실행 중'으로 표시되면 EC2 대시보드에서 해당 인스턴스를 선택합니다. 다음을 클릭합니다. 연결 연결 옵션을 확인하는 버튼입니다. 보안 연결을 설정하려면 로컬 터미널(예: macOS/Linux에서의 Terminal 또는 Windows에서의 PuTTY/WSL)에서 제공된 SSH 명령 예제를 사용하세요. 개인 키 파일이 필요합니다 (.pem) 시작하는 동안 생성하거나 선택했습니다.
4단계: Ultralytics YOLOv5 실행
이제 SSH를 통해 연결되었으므로 YOLOv5를 설정하고 실행할 수 있습니다. 먼저 공식 YOLOv5 리포지토리를 다음에서 복제합니다. GitHub 디렉토리로 이동합니다. 그런 다음 다음을 사용하여 필요한 종속성을 설치합니다. pip다음 사항을 사용하는 것이 좋습니다. Python 3.8 환경 또는 그 이후 환경이 필요합니다. 필요한 모델과 데이터셋은 최신 YOLOv5에서 자동으로 다운로드됩니다. 릴리스 훈련 또는 감지와 같은 명령을 실행할 때.
# Clone the YOLOv5 repository
git clone https://github.com/ultralytics/yolov5
cd yolov5
# Install required packages
pip install -r requirements.txt
환경이 준비되면 다양한 작업에 YOLOv5를 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
# See https://docs.ultralytics.com/modes/export/ for more details
python export.py --weights yolov5s.pt --include onnx coreml tflite --img 640
학습, 검증, 예측 (추론) 및 내보내기에 대한 자세한 안내는 Ultralytics 문서를 참조하세요.
선택적 추가 기능: 스왑 메모리 늘리기
매우 큰 데이터 세트로 작업하거나 훈련 중에 메모리 제한이 발생하는 경우 인스턴스에서 스왑 메모리를 늘리면 도움이 될 수 있습니다. 스왑 공간을 사용하면 시스템에서 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 설치했으며 객체 감지 작업을 수행할 준비가 되었습니다. 사전 학습된 모델을 실험하든 사용자 고유의 데이터로 학습하든, 이 강력한 설정은 컴퓨터 비전 프로젝트를 위한 확장 가능한 기반을 제공합니다. 문제가 발생하면 광범위한 AWS 설명서와 FAQ와 같은 유용한 Ultralytics 커뮤니티 리소스를 참조하십시오. 즐겁게 감지하세요!
