YOLOv8 🚀 على AzureML

ما هو Azure؟

Azure هو النظام الأساسي للحوسبة السحابية من Microsoft، وهو مصمم لمساعدة المؤسسات على نقل أعباء العمل الخاصة بها إلى السحابة من مراكز البيانات المحلية. مع مجموعة كاملة من الخدمات السحابية بما في ذلك تلك الخاصة بالحوسبة وقواعد البيانات والتحليلات والتعلم الآلي والشبكات ، يمكن للمستخدمين الاختيار والاختيار من بين هذه الخدمات لتطوير وتوسيع نطاق التطبيقات الجديدة ، أو تشغيل التطبيقات الحالية ، في السحابة العامة.

ما المقصود بالتعلم الآلي من Azure (AzureML)؟

Azure التعلم الآلي، الذي يشار إليه عادة باسم AzureML، هو خدمة سحابية مدارة بالكامل تمكن علماء البيانات والمطورين من تضمين التحليلات التنبؤية بكفاءة في تطبيقاتهم، مما يساعد المؤسسات على استخدام مجموعات البيانات الضخمة وتحقيق جميع فوائد السحابة للتعلم الآلي. يقدم AzureML مجموعة متنوعة من الخدمات والإمكانات التي تهدف إلى جعل التعلم الآلي متاحا وسهل الاستخدام وقابلا للتطوير. يوفر إمكانات مثل التعلم الآلي الآلي ، والتدريب على نموذج السحب والإفلات ، بالإضافة إلى قوة Python SDK حتى يتمكن المطورون من تحقيق أقصى استفادة من نماذج التعلم الآلي الخاصة بهم.

كيف يستفيد AzureML YOLO المستعملون؟

لمستخدمي YOLO (أنت تنظر مرة واحدة فقط)، يوفر AzureML نظاما أساسيا قويا وقابلا للتطوير وفعالا لتدريب نماذج التعلم الآلي ونشرها. سواء كنت تتطلع إلى تشغيل نماذج أولية سريعة أو التوسع للتعامل مع بيانات أكثر شمولا، فإن بيئة AzureML المرنة وسهلة الاستخدام توفر أدوات وخدمات متنوعة لتناسب احتياجاتك. يمكنك الاستفادة من AzureML من أجل:

• إدارة مجموعات البيانات الكبيرة والموارد الحسابية للتدريب بسهولة.
• استخدم الأدوات المضمنة للمعالجة المسبقة للبيانات واختيار الميزات وتدريب النماذج.
• تعاون بشكل أكثر كفاءة مع إمكانات MLOps (عمليات التعلم الآلي)، بما في ذلك على سبيل المثال لا الحصر مراقبة النماذج والبيانات وتدقيقها وتعيين إصدارها.

في الأقسام اللاحقة ، ستجد دليل التشغيل السريع الذي يوضح بالتفصيل كيفية التشغيل YOLOv8 نماذج اكتشاف الكائنات باستخدام AzureML، إما من محطة حوسبة أو دفتر ملاحظات.

المتطلبات المسبقه

قبل أن تتمكن من البدء، تأكد من أن لديك حق الوصول إلى مساحة عمل AzureML. إذا لم يكن لديك واحدة، فيمكنك إنشاء مساحة عمل AzureML جديدة باتباع وثائق Azure الرسمية. تعمل مساحة العمل هذه كمكان مركزي لإدارة جميع موارد AzureML.

إنشاء مثيل حساب

من مساحة عمل AzureML، حدد حساب مثيلات > الحساب > جديد، وحدد المثيل بالموارد التي تحتاجها.

التشغيل السريع من المحطة الطرفية

ابدأ الحوسبة الخاصة بك وافتح المحطة الطرفية:

Create virtualenv

قم بإنشاء conda virtualenv الخاص بك وقم بتثبيت النقطة فيه:

conda create --name yolov8env -y
conda activate yolov8env
conda install pip -y

قم بتثبيت التبعيات المطلوبة:

cd ultralytics
pip install -r requirements.txt
pip install ultralytics
pip install onnx>=1.12.0

أجرى YOLOv8 المهام

تنبأ:

yolo predict model=yolov8n.pt source='https://ultralytics.com/images/bus.jpg'

تدريب نموذج كشف ل 10 حقب مع learning_rate أولي 0.01:

yolo train data=coco8.yaml model=yolov8n.pt epochs=10 lr0=0.01

يمكنك العثور على المزيد تعليمات لاستخدام Ultralytics CLI هنا.

التشغيل السريع من دفتر ملاحظات

إنشاء نواة IPython جديدة

افتح محطة الحوسبة.

من محطة الحوسبة الخاصة بك ، تحتاج إلى إنشاء ipykernel جديد سيتم استخدامه بواسطة دفتر الملاحظات الخاص بك لإدارة تبعياتك:

conda create --name yolov8env -y
conda activate yolov8env
conda install pip -y
conda install ipykernel -y
python -m ipykernel install --user --name yolov8env --display-name "yolov8env"

أغلق جهازك الطرفي وأنشئ دفتر ملاحظات جديدا. من دفتر الملاحظات، يمكنك تحديد النواة الجديدة.

ثم يمكنك فتح خلية دفتر ملاحظات وتثبيت التبعيات المطلوبة:

%%bash
source activate yolov8env
cd ultralytics
pip install -r requirements.txt
pip install ultralytics
pip install onnx>=1.12.0

لاحظ أننا بحاجة إلى استخدام source activate yolov8env لجميع خلايا ٪٪bash ، للتأكد من أن خلية ٪٪bash تستخدم البيئة التي نريدها.

قم بتشغيل بعض التوقعات باستخدام الزر Ultralytics CLI:

%%bash
source activate yolov8env
yolo predict model=yolov8n.pt source='https://ultralytics.com/images/bus.jpg'

أو مع Ultralytics Python واجهة ، على سبيل المثال لتدريب النموذج:

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.pt")  # load an official YOLOv8n model

# Use the model
model.train(data="coco8.yaml", epochs=3)  # train the model
metrics = model.val()  # evaluate model performance on the validation set
results = model("https://ultralytics.com/images/bus.jpg")  # predict on an image
path = model.export(format="onnx")  # export the model to ONNX format

يمكنك استخدام إما Ultralytics CLI أو Python واجهة للتشغيل YOLOv8 المهام، كما هو موضح في قسم المحطة الطرفية أعلاه.

باتباع هذه الخطوات ، يجب أن تكون قادرا على الحصول على YOLOv8 يعمل بسرعة على AzureML للحصول على تجارب سريعة. لمزيد من الاستخدامات المتقدمة، يمكنك الرجوع إلى وثائق AzureML الكاملة المرتبطة في بداية هذا الدليل.

استكشاف المزيد باستخدام AzureML

يعمل هذا الدليل كمقدمة لمساعدتك على العمل YOLOv8 على AzureML. ومع ذلك ، فإنه يخدش فقط سطح ما يمكن أن يقدمه AzureML. للتعمق أكثر وإطلاق العنان للإمكانات الكاملة ل AzureML لمشاريع التعلم الآلي الخاصة بك، ضع في اعتبارك استكشاف الموارد التالية:

• إنشاء أصل بيانات: تعرف على كيفية إعداد أصول البيانات وإدارتها بفعالية داخل بيئة AzureML.
• بدء مهمة AzureML: احصل على فهم شامل لكيفية بدء مهام التدريب على التعلم الآلي على AzureML.
• تسجيل نموذج: تعرف على ممارسات إدارة النموذج بما في ذلك التسجيل والإصدار والنشر.
• قطار YOLOv8 مع AzureML Python SDK: استكشاف دليل خطوة بخطوة حول استخدام AzureML Python SDK لتدريب YOLOv8 نماذج.
• قطار YOLOv8 مع AzureML CLIاكتشف كيفية استخدام واجهة سطر الأوامر للتدريب المبسط وإدارة YOLOv8 النماذج على AzureML.

التعليقات