Meet YOLO26: next-gen vision AI.

Link to this sectionUltralytics YOLOv5 🚀 على AzureML دليل البدء السريع#

مرحباً بك في دليل البدء السريع لـ Ultralytics YOLOv5 الخاص بـ Microsoft Azure Machine Learning (AzureML)! سيرشدك هذا الدليل خلال إعداد YOLOv5 على مثيل حوسبة في AzureML، ويغطي كل شيء بدءاً من إنشاء بيئة افتراضية وحتى التدريب وتشغيل الاستدلال باستخدام النموذج.

Link to this sectionما هي Azure؟#

Azure هي منصة الحوسبة السحابية الشاملة من مايكروسوفت. توفر مجموعة واسعة من الخدمات، بما في ذلك القوة الحوسبية، وقواعد البيانات، وأدوات التحليل، وقدرات التعلم الآلي، وحلول الشبكات. تمكّن Azure المؤسسات من بناء وتطوير وإدارة التطبيقات والخدمات من خلال مراكز بيانات تديرها مايكروسوفت، مما يسهل ترحيل أعباء العمل من البنية التحتية المحلية إلى السحابة.

Link to this sectionما هي Azure Machine Learning (AzureML)؟#

Azure Machine Learning (AzureML) هي خدمة سحابية متخصصة مصممة لتطوير وتدريب ونشر نماذج التعلم الآلي. توفر بيئة تعاونية مع أدوات مناسبة لعلماء البيانات والمطورين من جميع مستويات المهارة. تشمل الميزات الرئيسية التعلم الآلي المؤتمت (AutoML)، وواجهة سحب وإفلات لإنشاء النماذج، و Python SDK قوية لمزيد من التحكم الدقيق في دورة حياة التعلم الآلي. تبسط AzureML عملية تضمين النمذجة التنبؤية في التطبيقات.

Link to this sectionالمتطلبات الأساسية#

لمتابعة هذا الدليل، ستحتاج إلى اشتراك Azure نشط وإمكانية الوصول إلى مساحة عمل AzureML. إذا لم يكن لديك مساحة عمل مُعدة، يرجى الرجوع إلى وثائق Azure الرسمية لإنشاء واحدة.

Link to this sectionإنشاء مثيل حوسبة (Compute Instance)#

يوفر مثيل الحوسبة في AzureML محطة عمل مُدارة تعتمد على السحابة لعلماء البيانات.

  1. انتقل إلى مساحة عمل AzureML الخاصة بك.
  2. في الجزء الأيمن، حدد Compute.
  3. انتقل إلى علامة التبويب Compute instances وانقر على New.
  4. قم بتهيئة المثيل الخاص بك عن طريق تحديد موارد CPU أو GPU المناسبة بناءً على احتياجاتك للتدريب أو الاستدلال.
Azure ML create compute instance interface

Link to this sectionافتح Terminal#

بمجرد تشغيل مثيل الحوسبة الخاص بك، يمكنك الوصول إلى Terminal الخاص به مباشرة من استوديو AzureML.

  1. انتقل إلى قسم Notebooks في الجزء الأيسر.
  2. ابحث عن مثيل الحوسبة الخاص بك في القائمة المنسدلة العلوية.
  3. انقر على خيار Terminal أسفل متصفح الملفات لفتح واجهة سطر الأوامر الخاصة بالمثيل.

موقع زر فتح Terminal في Azure ML

Link to this sectionإعداد وتشغيل YOLOv5#

الآن، دعنا نقوم بإعداد البيئة وتشغيل Ultralytics YOLOv5.

Link to this sectionإنشاء بيئة افتراضية#

من الممارسات الجيدة استخدام بيئة افتراضية لإدارة التبعيات. سنستخدم Conda، المثبت مسبقاً على مثيلات حوسبة AzureML. للحصول على دليل إعداد Conda مفصل، راجع دليل البدء السريع لـ Conda الخاص بـ Ultralytics.

قم بإنشاء بيئة Conda (على سبيل المثال، yolov5env) بإصدار معين من Python وقم بتنشيطها:

conda create --name yolov5env -y python=3.10 # Create a new Conda environment
conda activate yolov5env                     # Activate the environment
conda install pip -y                         # Ensure pip is installed

Link to this sectionاستنساخ مستودع YOLOv5#

استنسخ مستودع Ultralytics YOLOv5 الرسمي من GitHub باستخدام Git:

git clone https://github.com/ultralytics/yolov5 # Clone the repository
cd yolov5                                       # Navigate into the directory
# Initialize submodules (if any, though YOLOv5 typically doesn't require this step)
# git submodule update --init --recursive

Link to this sectionتثبيت التبعيات#

قم بتثبيت حزم Python اللازمة المدرجة في ملف requirements.txt. نقوم أيضاً بتثبيت ONNX لقدرات تصدير النموذج.

pip install -r requirements.txt # Install core dependencies
pip install "onnx>=1.12.0"      # Install ONNX for exporting

Link to this sectionتنفيذ مهام YOLOv5#

بعد اكتمال الإعداد، يمكنك الآن تدريب والتحقق من صحة وتنفيذ الاستدلال وتصدير نموذج YOLOv5 الخاص بك.

  • تدريب (Train) النموذج على مجموعة بيانات مثل COCO128. راجع وثائق وضع التدريب (Training Mode) لمزيد من التفاصيل.

    # Start training using yolov5s pretrained weights on the COCO128 dataset
python train.py --data coco128.yaml --weights yolov5s.pt --img 640 --epochs 10 --batch 16

  • التحقق من صحة (Validate) أداء النموذج المدرب باستخدام مقاييس مثل الدقة (Precision)، و الاستدعاء (Recall)، و mAP. راجع دليل وضع التحقق (Validation Mode) لمعرفة الخيارات المتاحة.

    # Validate the yolov5s model on the COCO128 validation set
python val.py --weights yolov5s.pt --data coco128.yaml --img 640

  • تشغيل الاستدلال (Run Inference) على صور أو مقاطع فيديو جديدة. استكشف وثائق وضع التنبؤ (Prediction Mode) لمصادر الاستدلال المختلفة.

    # Run inference with yolov5s on sample images
python detect.py --weights yolov5s.pt --source data/images --img 640

  • تصدير (Export) النموذج إلى تنسيقات مختلفة مثل ONNX، أو TensorRT، أو CoreML للنشر. راجع دليل وضع التصدير (Export Mode) وصفحة تكامل ONNX (ONNX Integration).

    # Export yolov5s to ONNX format
python export.py --weights yolov5s.pt --include onnx --img 640

Link to this sectionاستخدام Notebook#

إذا كنت تفضل تجربة تفاعلية، يمكنك تشغيل هذه الأوامر داخل AzureML Notebook. ستحتاج إلى إنشاء IPython kernel مخصص مرتبط ببيئة Conda الخاصة بك.

Link to this sectionإنشاء IPython kernel جديد#

قم بتشغيل الأوامر التالية في Terminal الخاص بمثيل الحوسبة:

# Ensure your Conda environment is active
# conda activate yolov5env

# Install ipykernel if not already present
conda install ipykernel -y

# Create a new kernel linked to your environment
python -m ipykernel install --user --name yolov5env --display-name "Python (yolov5env)"

بعد إنشاء الـ kernel، قم بتحديث متصفحك. عند فتح أو إنشاء ملف Notebook .ipynb، حدد الـ kernel الجديد الخاص بك ("Python (yolov5env)") من قائمة الـ kernel المنسدلة في أعلى اليمين.

Link to this sectionتشغيل الأوامر في خلايا Notebook#

  • خلايا Python: سيتم تنفيذ الكود في خلايا Python تلقائياً باستخدام الـ yolov5env kernel المحدد.

  • خلايا Bash: لتشغيل أوامر shell، استخدم أمر الـ magic %%bash في بداية الخلية. تذكر تنشيط بيئة Conda الخاصة بك داخل كل خلية bash، لأنها لا ترث سياق بيئة الـ kernel الخاص بـ notebook تلقائياً.

    %%bash
source activate yolov5env # Activate environment within the cell

# Example: Run validation using the activated environment
python val.py --weights yolov5s.pt --data coco128.yaml --img 640

تهانينا! لقد نجحت في إعداد وتشغيل Ultralytics YOLOv5 على AzureML. لمزيد من الاستكشاف، فكر في التحقق من تكاملات Ultralytics الأخرى أو وثائق YOLOv5 التفصيلية. قد تجد أيضاً وثائق AzureML مفيدة للسيناريوهات المتقدمة مثل التدريب الموزع أو نشر النماذج كنقطة نهاية.

المساهمون
GLglenn-jocher1

التعليقات