İçeriğe geç

YOLOv5 AWS Derin Öğrenme Örneğinde 🚀: Eksiksiz Kılavuzunuz

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 için diğer hızlı başlangıç seçenekleri arasında Colab Not Defteri Colab'da Aç Kaggle'da Aç, GCP Derin Öğrenme Sanal Makinesive Docker imajımızı Docker Hub Docker Çeker.

Adım 1: AWS Konsolunda Oturum Açma

Bir hesap oluşturarak veya https://aws.amazon.com/console/ adresindeki AWS konsolunda oturum açarak başlayın. Giriş yaptıktan sonra, örneklerinizi yönetmek ve ayarlamak için EC2 hizmetini seçin.

Konsol

Adım 2: Örneğinizi Başlatın

EC2 panosunda, yeni bir sanal sunucu oluşturmak için geçidiniz olan Launch Instance (Örneği Başlat ) düğmesini bulacaksınız.

Fırlatma

Doğru Amazon Makine İmajını (AMI) Seçme

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.

AMI'yi seçin

Bir Örnek Türü Seçme

Derin öğrenme görevleri için, model eğitimini büyük ölçüde hızlandırabileceğinden genellikle bir GPU örnek türü seçilmesi önerilir. Örnek boyutu ile ilgili olarak, modelin bellek gereksinimlerinin asla örneğinizin sağlayabileceği bellek miktarını aşmaması gerektiğini unutmayın.

Not: Modelinizin boyutu, bir örnek seçerken bir faktör olmalıdır. Modeliniz bir örneğin kullanılabilir RAM'ini aşıyorsa, uygulamanız için yeterli belleğe sahip farklı bir örnek türü seçin.

Kullanılabilir GPU örnek türlerinin bir listesi için, özellikle Hızlandırılmış Hesaplama altında EC2 Örnek Türleri'ni ziyaret edin.

Tip Seçiniz

GPU izleme ve optimizasyon hakkında daha fazla bilgi için bkz. GPU İzleme ve Optimizasyon. Fiyatlandırma için İsteğe Bağlı Fiyatlandırma ve Spot Fiyatlandırma bölümlerine bakın.

Örneğinizi Yapılandırma

Amazon EC2 Spot Örnekleri, kullanılmayan kapasite için standart maliyetin çok altında teklif vermenize olanak tanıyarak uygulamaları çalıştırmak için uygun maliyetli bir yol sunar. Spot Instance kapandığında bile verileri koruyan kalıcı bir deneyim için kalıcı bir isteği tercih edin.

Spot Talebi

Başlatmadan önce örnek ayarlarınızın ve güvenlik yapılandırmalarınızın geri kalanını Adım 4-7'de gerektiği gibi ayarlamayı unutmayın.

Adım 3: Örneğinize Bağlanın

Örneğiniz çalıştığında, onay kutusunu seçin ve SSH bilgilerine erişmek için Bağlan'a tıklayın. Örneğinizle bağlantı kurmak için tercih ettiğiniz terminalde görüntülenen SSH komutunu kullanın.

Bağlan

Adım 4: Çalıştırma YOLOv5

Örneğinizde oturum açtığınızda, artık YOLOv5 deposunu klonlamaya ve Python 3.8 veya sonraki bir ortamda bağımlılıkları yüklemeye hazırsınız. YOLOv5'nin modelleri ve veri kümeleri otomatik olarak en son sürümden indirilecektir.

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

Ortamınız kurulduktan sonra YOLOv5 modellerinizi eğitmeye, doğrulamaya, çıkarım yapmaya ve dışa aktarmaya başlayabilirsiniz:

# 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

İsteğe Bağlı Ekstralar

Büyük veri kümeleri için kurtarıcı olabilecek daha fazla takas belleği eklemek için çalıştırın:

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

Yorumlar