YOLOv5 AWS 딥 러닝 인스턴스에서 🚀: 전체 가이드

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.

YOLOv5 의 다른 빠른 시작 옵션은 다음과 같습니다. Colab 노트북 , GCP 딥 러닝 VM와 도커 이미지의 도커 허브 .

1단계: AWS 콘솔 로그인

먼저 계정을 생성하거나 https://aws.amazon.com/console/ 에서 AWS 콘솔에 로그인합니다. 로그인한 후 인스턴스를 관리하고 설정할 EC2 서비스를 선택합니다.

2단계: 인스턴스 시작

EC2 대시보드에서 새 가상 서버를 생성하는 관문인 인스턴스 시작 버튼을 찾을 수 있습니다.

올바른 아마존 머신 이미지(AMI) 선택하기

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.

인스턴스 유형 선택하기

딥 러닝 작업의 경우 일반적으로 모델 학습 속도를 크게 높일 수 있는 GPU 인스턴스 유형을 선택하는 것이 좋습니다. 인스턴스 크기를 고려할 때 모델의 메모리 요구 사항이 인스턴스가 제공할 수 있는 용량을 초과해서는 안 된다는 점을 기억하세요.

참고: 모델의 크기는 인스턴스를 선택할 때 고려해야 할 요소입니다. 모델이 인스턴스의 사용 가능한 RAM을 초과하는 경우 애플리케이션에 충분한 메모리가 있는 다른 인스턴스 유형을 선택하세요.

사용 가능한 GPU 인스턴스 유형 목록은 EC2 인스턴스 유형, 특히 가속화된 컴퓨팅에서 확인하세요.

GPU 모니터링 및 최적화에 대한 자세한 내용은 GPU 모니터링 및 최적화를 참조하세요. 가격 책정에 대해서는 온디맨드 가격 책정 및 현물 가격 책정을 참조하세요.

인스턴스 구성

Amazon EC2 스팟 인스턴스는 사용하지 않는 용량을 표준 비용의 일부로 입찰할 수 있으므로 애플리케이션을 실행할 수 있는 비용 효율적인 방법을 제공합니다. 스팟 인스턴스가 다운되더라도 데이터가 유지되는 영구적인 환경을 원한다면 영구 요청을 선택하세요.

시작하기 전에 4~7단계에서 필요에 따라 나머지 인스턴스 설정 및 보안 구성을 조정하는 것을 잊지 마세요.

3단계: 인스턴스에 연결

인스턴스가 실행 중이면 해당 확인란을 선택하고 연결을 클릭하여 SSH 정보에 액세스합니다. 표시된 SSH 명령을 원하는 터미널에서 사용하여 인스턴스에 연결을 설정합니다.

4단계: 실행 YOLOv5

인스턴스에 로그인하면 이제 YOLOv5 리포지토리를 복제하고 Python 3.8 이상 환경에서 종속성을 설치할 준비가 된 것입니다. YOLOv5 의 모델과 데이터 세트가 최신 릴리스에서 자동으로 다운로드됩니다.

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

환경이 설정되면 학습, 유효성 검사, 추론 수행, YOLOv5 모델 내보내기를 시작할 수 있습니다:

# 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

선택적 추가 기능

대규모 데이터 세트의 구세주가 될 수 있는 스왑 메모리를 더 추가하려면 실행하세요:

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 13 days ago

댓글