从本地到云端：在阿里云ECS上构建YOLOv5实时检测服务的全链路实践

1. 从零开始YOLOv5本地开发环境搭建第一次接触YOLOv5时我被它的速度和精度惊艳到了。这个由Ultralytics团队开发的目标检测模型在保持轻量化的同时性能丝毫不打折扣。下面我就带大家从最基础的本地环境搭建开始一步步实现一个可运行的YOLOv5检测系统。我选择在Ubuntu 18.04系统上进行演示这是目前最稳定的Linux发行版之一。首先需要安装Anaconda它可以帮助我们管理Python环境。建议从清华镜像站下载Anaconda3-2020.07-Linux-x86_64.sh这个版本下载完成后在终端执行bash ./Anaconda3-2020.07-Linux-x86_64.sh安装完成后我们需要配置国内镜像源加速下载。执行以下命令添加清华源conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ conda config --set show_channel_urls yes接下来创建专门的PyTorch环境。我建议使用Python 3.8版本这个版本与大多数库的兼容性都很好conda create -n pytorch1.7 python3.8 conda activate pytorch1.7在虚拟环境中安装PyTorch时需要根据你的硬件情况选择安装命令。如果你有NVIDIA显卡建议安装GPU版本conda install pytorch torchvision cudatoolkit10.2 -c pytorch如果没有独立显卡也可以使用纯CPU版本conda install pytorch1.7.0 torchvision0.8.0 torchaudio0.7.0 cpuonly -c pytorch安装完成后可以通过简单的Python命令验证是否安装成功import torch print(torch.__version__) print(torch.cuda.is_available()) # 检查GPU是否可用2. YOLOv5模型获取与测试YOLOv5的代码托管在GitHub上我们可以直接克隆官方仓库。这里我推荐使用v3.1版本这个版本比较稳定git clone -b v3.1 https://github.com/ultralytics/yolov5.git cd yolov5模型权重文件需要单独下载官方提供了几种不同大小的预训练模型。我建议初学者从yolov5s.pt开始这个模型体积小但效果不错wget https://github.com/ultralytics/yolov5/releases/download/v3.1/yolov5s.pt -P weights/现在我们可以进行第一次测试了。YOLOv5自带了一些测试图片运行以下命令就能看到检测效果python detect.py --source ./inference/images/ --weights weights/yolov5s.pt --conf 0.4执行完成后检测结果会保存在runs/detect/exp目录下。打开这些图片你就能看到模型检测到的各种物体和对应的置信度。如果想让模型支持更多类别可以考虑使用自定义数据集进行训练。YOLOv5支持COCO格式的数据集训练命令也很简单python train.py --img 640 --batch 16 --epochs 100 --data coco.yaml --weights weights/yolov5s.pt3. 构建Flask Web服务为了让YOLOv5能够通过Web访问我们需要用Flask搭建一个简单的API服务。首先安装必要的依赖pip install flask flask-cors创建一个名为app.py的文件内容如下from flask import Flask, request, jsonify import os import torch app Flask(__name__) app.route(/detect, methods[POST]) def detect(): if file not in request.files: return jsonify({error: No file uploaded}), 400 file request.files[file] if file.filename : return jsonify({error: Empty filename}), 400 # 保存上传的文件 upload_dir uploads os.makedirs(upload_dir, exist_okTrue) file_path os.path.join(upload_dir, file.filename) file.save(file_path) # 调用YOLOv5进行检测 results model(file_path) # 处理检测结果 detections [] for result in results.pandas().xyxy[0].to_dict(records): detections.append({ class: result[name], confidence: float(result[confidence]), bbox: [result[xmin], result[ymin], result[xmax], result[ymax]] }) return jsonify({results: detections}) if __name__ __main__: # 加载YOLOv5模型 model torch.hub.load(ultralytics/yolov5, yolov5s, pretrainedTrue) app.run(host0.0.0.0, port5000)这个简单的API接收图片文件返回检测到的物体信息。启动服务后可以通过Postman等工具测试接口python app.py4. 阿里云ECS环境准备现在我们把目光转向云端部署。首先需要在阿里云控制台购买一台ECS实例。对于YOLOv5这样的模型配置建议如下CPU: 2核以上内存: 4GB以上系统盘: 40GB以上操作系统: Ubuntu 18.04/20.04 LTS购买完成后通过SSH连接到实例。我习惯先做一些基础配置# 更新系统 sudo apt update sudo apt upgrade -y # 安装常用工具 sudo apt install -y git curl wget unzip # 配置swap空间如果内存较小 sudo fallocate -l 2G /swapfile sudo chmod 600 /swapfile sudo mkswap /swapfile sudo swapon /swapfile echo /swapfile none swap sw 0 0 | sudo tee -a /etc/fstab接下来安装Miniconda比Anaconda更轻量wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh bash Miniconda3-latest-Linux-x86_64.sh按照提示完成安装后初始化condasource ~/.bashrc5. 云端部署YOLOv5服务将本地开发好的代码上传到ECS服务器。可以使用scp命令scp -r yolov5/ usernameyour_server_ip:/home/username/在服务器上创建Python环境并安装依赖conda create -n yolov5 python3.8 conda activate yolov5 pip install -r requirements.txt pip install flask gunicorn使用Gunicorn部署Flask应用比直接运行更稳定gunicorn -w 4 -b 0.0.0.0:5000 app:app这里-w参数指定worker数量建议设置为CPU核心数的2-4倍。为了让服务在后台持续运行可以使用nohupnohup gunicorn -w 4 -b 0.0.0.0:5000 app:app server.log 21 6. 配置安全组与Nginx反向代理在阿里云控制台找到ECS实例的安全组配置添加入站规则允许5000端口协议类型: 自定义TCP端口范围: 5000授权对象: 0.0.0.0/0为了提升服务的安全性和性能我们使用Nginx作为反向代理。首先安装Nginxsudo apt install -y nginx创建Nginx配置文件/etc/nginx/conf.d/yolov5.confserver { listen 80; server_name your_domain.com; location / { proxy_pass http://127.0.0.1:5000; proxy_set_header Host $host; proxy_set_header X-Real-IP $remote_addr; proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for; } client_max_body_size 20M; }测试Nginx配置并重启服务sudo nginx -t sudo systemctl restart nginx7. 域名绑定与HTTPS配置如果你有自己的域名可以在阿里云域名解析中添加A记录指向ECS实例的公网IP。然后使用Certbot申请免费的SSL证书sudo apt install -y certbot python3-certbot-nginx sudo certbot --nginx -d your_domain.comCertbot会自动配置HTTPS并设置自动续期。现在你的YOLOv5服务就可以通过https://your_domain.com安全访问了。8. 服务监控与维护为了保证服务稳定运行我们需要设置一些监控措施。首先安装pm2进程管理器npm install pm2 -g pm2 start gunicorn -w 4 -b 0.0.0.0:5000 app:app --name yolov5-api pm2 save pm2 startup配置日志轮转防止日志文件过大sudo apt install -y logrotate创建/etc/logrotate.d/yolov5文件/home/username/server.log { daily missingok rotate 14 compress delaycompress notifempty create 0640 username username sharedscripts postrotate kill -USR1 cat /tmp/gunicorn.pid 2/dev/null 2/dev/null || true endscript }最后设置一个简单的健康检查接口方便监控服务状态app.route(/health) def health(): return jsonify({status: healthy}), 200现在你已经拥有了一个完整的、生产级可用的YOLOv5实时检测服务。这套方案在实际项目中表现稳定能够处理大量并发请求。我在多个项目中都采用了类似的架构效果非常不错。