AWS 深度学习实例上的 Ultralytics YOLOv5 🚀：完整指南#

搭建高性能深度学习环境可能令人望而生畏，尤其是对新手而言。不过别担心！🛠️ 本指南将逐步介绍如何在 AWS 深度学习实例上运行 Ultralytics YOLOv5。借助 Amazon Web Services (AWS) 的强大功能，即使是刚接触机器学习 (ML) 的人，也能快速、经济高效地开始使用。AWS 平台的可扩展性使其非常适合实验和生产部署。

YOLOv5 的其他快速入门方式包括我们的 Google Colab Notebook 、Kaggle 环境 、GCP 深度学习虚拟机，以及我们在 Docker Hub 上提供的预构建 Docker 镜像 。

步骤 1：登录 AWS 控制台#

首先创建账户或登录 AWS 管理控制台。登录后，前往 EC2 服务仪表板，在此可以管理虚拟服务器（实例）。

步骤 2：启动实例#

在 EC2 仪表板中，点击 Launch Instance 按钮。这将启动创建新虚拟服务器的流程，你可以根据自身需求进行配置。

选择合适的 Amazon Machine Image (AMI)#

选择正确的 AMI 至关重要，因为它决定了实例的操作系统和预装软件。在搜索栏中输入“深度学习”，然后选择最新的基于 Ubuntu 的深度学习 AMI（除非你对其他操作系统有特定需求）。Amazon 的深度学习 AMI 已预先配置常用的深度学习框架（例如 YOLOv5 使用的 PyTorch）和必要的 GPU 驱动程序，大大简化了配置流程。

选择实例类型#

对于训练深度学习模型等高要求任务，强烈建议选择由 GPU 加速的实例类型。与 CPU 相比，GPU 可以大幅缩短模型训练所需时间。选择实例规格时，请确保其内存容量 (RAM) 足以满足模型和数据集的需求。

注意： 模型和数据集的大小是关键因素。如果你的 ML 任务需要的内存超过所选实例提供的容量，就需要选择更大的实例类型，以避免性能问题或错误。

在 EC2 实例类型页面查看可用的 GPU 实例类型，特别是 Accelerated Computing 类别下的实例。

有关监控和优化 GPU 使用情况的详细信息，请参阅 AWS 的 GPU 监控与优化指南。使用按需定价比较成本，并了解通过 Spot 实例定价节省开支的可能性。

配置实例#

你可以考虑使用 Amazon EC2 Spot 实例，以更经济高效地使用资源。Spot 实例让你能够使用闲置的 EC2 容量，价格通常比按需价格低很多。如果训练任务需要在中断后继续运行，请选择持久请求，并将中断行为设为停止而不是终止，这样 EBS 卷和训练输出就会保留，实例也会在容量恢复后重新启动。

继续完成其余启动设置，包括配置存储、添加标签、设置安全组（确保从你的 IP 地址开放 SSH 端口 22），并在点击 Launch 前检查设置。你还需要创建或选择现有密钥对，以便通过 SSH 安全访问实例。

步骤 3：连接到实例#

当实例状态显示为“running”后，在 EC2 仪表板中选择该实例。点击 Connect 按钮查看连接选项。使用本地终端中提供的 SSH 命令示例（例如 macOS/Linux 上的 Terminal，或 Windows 上的 PuTTY/WSL）建立安全连接。你需要使用启动时创建或选择的私钥文件（.pem）。

步骤 4：运行 Ultralytics YOLOv5#

现在你已通过 SSH 连接，可以配置并运行 YOLOv5。首先，从 GitHub 克隆官方 YOLOv5 仓库，并进入该目录。然后，使用 pip 安装所需依赖。建议使用 Python 3.8 或更高版本的环境。运行训练或检测等命令时，系统会自动从最新的 YOLOv5 发布版本下载所需的模型和数据集。

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

# Install required packages
pip install -r requirements.txt

环境准备就绪后，你可以开始使用 YOLOv5 执行各种任务：

# 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

详细指南请参阅训练自定义数据和模型导出教程。

可选项：增加交换内存#

如果你使用非常大的数据集，或在训练期间遇到内存限制，增加实例的交换内存有时会有所帮助。交换空间允许系统将磁盘空间用作虚拟 RAM。

# 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

恭喜！🎉 你已成功配置 AWS 深度学习实例并安装 Ultralytics YOLOv5，现在可以执行目标检测任务了。无论是试用预训练模型，还是使用自己的数据进行训练，这套强大的配置都能为你的计算机视觉项目提供可扩展的基础。如果遇到问题，请查阅详尽的 AWS 文档以及 Ultralytics 社区的实用资源，例如常见问题。祝你检测愉快！

常见问题#