AWS Derin Öğrenme Örneğinde Ultralytics YOLOv5 🚀: Eksiksiz Kılavuzunuz
Yüksek performanslı bir derin öğrenme ortamı kurmak, özellikle yeni başlayanlar için ürkütücü görünebilir. Ama korkmayın! 🛠️ Bu kılavuz, aşağıdakileri elde etmek için adım adım yol gösterir Ultralytics YOLOv5 AWS Derin Öğrenme örneğini kurun ve çalıştırın. Amazon Web Services'in (AWS) gücünden yararlanarak, makine öğrenimi (ML) konusunda yeni olanlar bile hızlı ve uygun maliyetli bir şekilde başlayabilir. AWS platformunun ölçeklenebilirliği, onu hem deney hem de üretim dağıtımı için ideal hale getirir.
YOLOv5 için diğer hızlı başlangıç seçenekleri arasında Google Colab Notebook 
, Kaggle ortamları 
, GCP Derin Öğrenme Sanal Makinesive önceden oluşturulmuş Docker imajımız şu adreste mevcuttur Docker Hub .
Adım 1: AWS Konsolunda Oturum Açma
Bir hesap oluşturarak veya AWS Management Console'da oturum açarak başlayın. Giriş yaptıktan sonra, sanal sunucularınızı (örnekler) yönetebileceğiniz EC2 hizmet panosuna gidin.
Adım 2: Örneğinizi Başlatın
EC2 panosundan Örneği Başlat düğmesine tıklayın. Bu, ihtiyaçlarınıza göre uyarlanmış yeni bir sanal sunucu oluşturma sürecini başlatır.
Doğru Amazon Makine İmajını (AMI) Seçme
Doğru AMI'yi seçmek çok önemlidir. Bu, örneğiniz için işletim sistemini ve önceden yüklenmiş yazılımı belirler. Arama çubuğuna'Deep Learning' yazın ve en son Ubuntu tabanlı Deep Learning AMI'yi seçin (farklı bir işletim sistemi için özel gereksinimleriniz yoksa). Amazon'un Derin Öğrenme AMI'leri popüler derin öğrenme çerçeveleriyle önceden yapılandırılmış olarak gelir (örneğin PyTorchYOLOv5 tarafından kullanılan) ve gerekli GPU sürücülerini yükleyerek kurulum sürecini önemli ölçüde kolaylaştırır.
Bir Örnek Türü Seçme
Derin öğrenme modellerinin eğitimi gibi zorlu görevler için GPU bir örnek türünün seçilmesi şiddetle tavsiye edilir. GPU'lar, CPU'lara kıyasla model eğitimi için gereken süreyi önemli ölçüde azaltabilir. Bir örnek boyutu seçerken, bellek kapasitesinin (RAM) modeliniz ve veri kümeniz için yeterli olduğundan emin olun.
Not: Modelinizin ve veri kümenizin boyutu kritik faktörlerdir. ML göreviniz seçilen örneğin sağladığından daha fazla bellek gerektiriyorsa, performans sorunlarından veya hatalardan kaçınmak için daha büyük bir örnek türü seçmeniz gerekir.
EC2 Örnek Türleri sayfasında, özellikle Hızlandırılmış Bilgi İşlem kategorisi altında mevcut GPU örnek türlerini keşfedin.
GPU kullanımını izleme ve optimize etme hakkında ayrıntılı bilgi için GPU İzleme ve Optimizasyon hakkındaki AWS kılavuzuna bakın. İsteğe Bağlı Fiyatlandırmayı kullanarak maliyetleri karşılaştırın ve Spot Instance Fiyatlandırması ile potansiyel tasarrufları keşfedin.
Örneğinizi Yapılandırma
Daha uygun maliyetli bir yaklaşım için Amazon EC2 Spot Örneklerini kullanmayı düşünün. Spot Örnekler, kullanılmayan EC2 kapasitesi için teklif vermenize olanak tanır ve genellikle İsteğe Bağlı fiyatlara kıyasla önemli bir indirim sağlar. Kalıcılık gerektiren görevler için (Spot Instance kesintiye uğrasa bile verilerin kaydedilmesi) kalıcı bir istek seçin. Bu, depolama biriminizin kalıcı olmasını sağlar.
Depolamayı yapılandırmak, etiketler eklemek, güvenlik grupları kurmak (SSH bağlantı noktası 22'nin IP'nizden açık olduğundan emin olun) ve Başlat'a tıklamadan önce ayarlarınızı gözden geçirmek için örnek başlatma sihirbazının 4-7. Adımları arasında ilerleyin. Ayrıca güvenli SSH erişimi için mevcut bir anahtar çifti oluşturmanız veya seçmeniz gerekecektir.
Adım 3: Örneğinize Bağlanın
Örnek durumunuz 'çalışıyor' olarak gösterildiğinde, EC2 panosundan onu seçin. Şuna tıklayın Bağlan düğmesine basarak bağlantı seçeneklerini görüntüleyin. Güvenli bir bağlantı kurmak için yerel terminalinizde (macOS/Linux'ta Terminal veya Windows'ta PuTTY/WSL gibi) verilen SSH komut örneğini kullanın. Özel anahtar dosyasına ihtiyacınız olacak (.pem) oluşturduğunuz veya başlatma sırasında seçtiğiniz.
Adım 4: Ultralytics YOLOv5 Çalıştırma
Artık SSH üzerinden bağlandığınıza göre YOLOv5'i kurabilir ve çalıştırabilirsiniz. İlk olarak, resmi YOLOv5 deposunu şuradan klonlayın GitHub ve dizine gidin. Ardından, aşağıdakileri kullanarak gerekli bağımlılıkları yükleyin pip. Kullanılması tavsiye edilir Python 3.8 ortamı veya üstü. Gerekli modeller ve veri setleri en son YOLOv5'ten otomatik olarak indirilecektir. serbest bırakma eğitim veya algılama gibi komutları çalıştırdığınızda.
# Clone the YOLOv5 repository
git clone https://github.com/ultralytics/yolov5
cd yolov5
# Install required packages
pip install -r requirements.txt
Ortam hazır olduğunda, YOLOv5 'i çeşitli görevler için kullanmaya başlayabilirsiniz:
# 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
Eğitim, Doğrulama, Tahmin (Çıkarım) ve Dışa Aktarma hakkında ayrıntılı kılavuzlar için Ultralytics belgelerine bakın.
İsteğe Bağlı Ekstralar: Takas Belleğini Artırma
Çok büyük veri kümeleriyle çalışıyorsanız veya eğitim sırasında bellek sınırlamalarıyla karşılaşıyorsanız, örneğinizdeki takas belleğini artırmak bazen yardımcı olabilir. Takas alanı, sistemin disk alanını sanal RAM olarak kullanmasını sağlar.
# 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
Tebrikler! Bir AWS Derin Öğrenme örneğini başarıyla kurdunuz, Ultralytics YOLOv5'i yüklediniz ve nesne algılama görevlerini gerçekleştirmeye hazırsınız. İster önceden eğitilmiş modellerle denemeler yapıyor ister kendi verileriniz üzerinde eğitim yapıyor olun, bu güçlü kurulum bilgisayarla görme projeleriniz için ölçeklenebilir bir temel sağlar. Herhangi bir sorunla karşılaşırsanız, kapsamlı AWS belgelerine ve SSS gibi yararlı Ultralytics topluluk kaynaklarına başvurun. Mutlu tespitler!