Ultralytics YOLOv5 🚀 on AWS Deep Learning Instance: 完整指南

设置高性能 deep learning 环境可能看起来令人望而生畏，尤其是对初学者而言。但别担心！🛠️ 本指南提供了一个分步演练，帮助你在 AWS Deep Learning 实例上启动并运行 Ultralytics YOLOv5。通过利用 Amazon Web Services (AWS) 的强大功能，即使是 machine learning (ML) 的新手也能快速且经济高效地开始使用。AWS 平台的 scalability 使其成为实验和生产 deployment 的理想选择。

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

第 1 步：登录 AWS 控制台

首先创建一个账户或登录 AWS Management Console。登录后，导航至 EC2 服务仪表板，你可以在此处管理你的虚拟服务器（实例）。

第 2 步：启动你的实例

从 EC2 仪表板中，点击 Launch Instance 按钮。这将启动创建一个为你需求量身定制的新虚拟服务器的过程。

选择正确的 Amazon Machine Image (AMI)

选择正确的 AMI 至关重要。这决定了你实例的操作系统和预装软件。在搜索栏中输入 'Deep Learning' 并选择最新的基于 Ubuntu 的 Deep Learning AMI（除非你有特定于其他操作系统的需求）。Amazon 的 Deep Learning AMI 预配置了常用的 deep learning frameworks（如 YOLOv5 使用的 PyTorch）和必要的 GPU drivers，从而显著简化了设置过程。

选择实例类型

对于像训练深度学习模型这样的严苛任务，强烈建议选择 GPU 加速实例类型。与 CPU 相比，GPU 可以显著减少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 任务所需的内存超出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。

有关监控和优化 GPU 使用情况的详细信息，请参阅 AWS 关于 GPU Monitoring and Optimization 的指南。使用 On-Demand Pricing 比较成本，并探索使用 Spot Instance Pricing 节省成本的可能性。

配置你的实例

考虑使用 Amazon EC2 Spot Instances 以获得更具成本效益的方法。Spot Instances 允许你为未使用的 EC2 容量竞价，通常比按需定价（On-Demand prices）有大幅折扣。对于需要持久性的任务（即使在 Spot Instance 中断的情况下也要保存数据），请选择 persistent request。这可以确保你的存储卷持久存在。

按照实例启动向导的第 4-7 步进行操作，以配置存储、添加标签、设置安全组（确保从你的 IP 开启 SSH 端口 22），并在点击 Launch 之前审查你的设置。你还需要创建或选择一个现有的密钥对，以便进行安全的 SSH 访问。

第 3 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 仪表板中选择它。点击 Connect 按钮查看连接选项。在你的本地终端（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。你需要使用在启动期间创建或选择的私钥文件 (.pem)。

第 4 步：运行 Ultralytics YOLOv5

现在你已通过 SSH 连接，可以设置并运行 YOLOv5 了。首先，从 GitHub 克隆官方 YOLOv5 存储库并进入目录。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自动从最新的 YOLOv5 release 中下载。

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

# Install required packages
pip install -r requirements.txt

环境准备好后，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，请参阅 Ultralytics 文档。

可选补充：增加交换内存 (Swap Memory)

如果你正在处理非常大的数据集或在训练期间遇到内存限制，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！🎉 你已成功设置了 AWS Deep Learning 实例，安装了 Ultralytics YOLOv5，并准备好执行 object detection 任务了。无论你是尝试预训练模型还是在你自己的数据上进行 training，此强大的设置都能为你的 computer vision 项目提供可扩展的基础。如果遇到任何问题，请查阅广泛的 AWS documentation 和有用的 Ultralytics 社区资源（如 FAQ）。检测愉快！