YOLO Vision 2026：

AWS Deep Learning 实例上的 Ultralytics YOLOv5 🚀：完整指南#

搭建一个高性能的 deep learning 环境看起来可能令人望而生畏，尤其是对新手而言。但不用担心！🛠️ 本指南提供了在 AWS Deep Learning 实例上配置并运行 Ultralytics YOLOv5 的分步操作说明。通过利用亚马逊云科技 (AWS) 的强大功能，即使是 machine learning (ML) 的新手也能快速且低成本地开始。AWS 平台的可扩展性 scalability 使其非常适合实验和生产 deployment。

其他用于 YOLOv5 的快速入门选项包括我们的 Google Colab Notebook Open In Colab、Kaggle environments Open In Kaggle、GCP Deep Learning VM，以及我们在 Docker Hub 上提供的预构建 Docker 镜像 Docker Pulls。

第一步：登录 AWS 控制台#

首先创建账户或登录 AWS Management Console。登录后，导航到 EC2 服务仪表板，你可以在那里管理你的虚拟服务器（实例）。

AWS Management Console sign-in page

第二步：启动你的实例#

在 EC2 仪表板中，点击 Launch Instance 按钮。这将启动创建满足你需求的全新虚拟服务器的过程。

Launch Instance Button

选择合适的 Amazon Machine Image (AMI)#

选择正确的 AMI 至关重要。这决定了你的实例的操作系统和预安装软件。在搜索框中输入 'Deep Learning' 并选择最新的基于 Ubuntu 的 Deep Learning AMI（除非你对其他操作系统有特定要求）。Amazon 的 Deep Learning AMI 预先配置了流行的 deep learning frameworks（如 YOLOv5 使用的 PyTorch）和必要的 GPU drivers，极大地简化了设置过程。

AWS EC2 Deep Learning AMI selection

挑选实例类型#

对于训练深度学习模型等要求严苛的任务，强烈建议选择 GPU 加速实例类型。与 CPU 相比，GPU 可以显著缩短模型训练所需的时间。选择实例大小时，请确保其内存容量 (RAM) 足以满足你的模型和数据集需求。

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了所选实例提供的内存，你需要选择更大的实例类型，以避免性能问题或错误。

在 EC2 Instance Types page 上探索可用的 GPU 实例类型，特别是在 Accelerated Computing 类别下。

AWS EC2 GPU instance type selection

有关监控和优化 GPU 使用率的详细信息，请参考关于 GPU Monitoring and Optimization 的 AWS 指南。使用 On-Demand Pricing 比较成本，并探索通过 Spot Instance Pricing 节省费用的潜力。

配置你的实例#

考虑使用 Amazon EC2 竞价实例 (Spot Instances) 以获得更具成本效益的方法。竞价实例允许你竞标未使用的 EC2 容量，价格通常比按需定价有显著折扣。对于需要持久性的任务（即使竞价实例被中断也能保存数据），请选择 持久性请求 (persistent request)。这可确保你的存储卷保持持久。

Spot Request Configuration

继续执行实例启动向导的第 4-7 步，以配置存储、添加标签、设置安全组（确保你的 IP 可以访问 SSH 22 端口），并在点击 Launch 前检查你的设置。你还需要创建一个新密钥对或选择一个现有密钥对，以确保安全的 SSH 访问。

第三步：连接到你的实例#

一旦你的实例状态显示为“运行中 (running)”，请从 EC2 仪表板中选中它。点击 Connect 按钮以查看连接选项。在你的本地终端（例如 macOS/Linux 上的 Terminal 或 Windows 上的 PuTTY/WSL）中使用提供的 SSH 命令示例来建立安全连接。你需要使用你在启动期间创建或选择的私钥文件 (.pem)。

AWS EC2 instance SSH connection options

第四步：运行 Ultralytics YOLOv5#

既然你已经通过 SSH 连接，就可以设置并运行 YOLOv5 了。首先，从 GitHub 克隆官方 YOLOv5 仓库并进入该目录。然后，使用 pip 安装所需的依赖项。建议使用 Python 3.8 或更高版本的环境。当你运行训练或检测等命令时，必要的模型和数据集将从最新的 YOLOv5 release 中自动下载。

# 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，你就可以开始将 YOLOv5 用于各种任务了：

# 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

有关 Training、Validation、Prediction (Inference) 和 Exporting 的详细指南，请参考 Ultralytics 文档。

可选插件：增加交换内存 (Swap Memory)#

如果你正在处理非常大的数据集，或者在训练过程中遇到内存限制，增加实例上的交换内存有时会有所帮助。交换空间允许系统使用磁盘空间作为虚拟 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！🎉 你已成功设置 AWS Deep Learning 实例，安装了 Ultralytics YOLOv5，并准备好执行 object detection 任务。无论你是在用预训练模型进行实验，还是在使用自己的数据进行 training，这个强大的设置都为你的 computer vision 项目提供了可扩展的基础。如果你遇到任何问题，请查阅详尽的 AWS documentation 以及有帮助的 Ultralytics 社区资源，例如 FAQ。祝检测愉快！

贡献者
GLglenn-jocher2RAraimbekovm1

评论