رؤية YOLO لعام 2026:

Ultralytics 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 الحوسبة في AzureML، ليغطي كل شيء بدءاً من إنشاء بيئة افتراضية وحتى تدريب النموذج وتشغيل الاستدلال به.

ما هي Azure؟#

Azure هي منصة الحوسبة السحابية الشاملة من Microsoft. وهي توفر مجموعة واسعة من الخدمات، بما في ذلك القدرة الحوسبية، وقواعد البيانات، وأدوات التحليلات، وإمكانيات التعلم الآلي، وحلول الشبكات. تمكن Azure المؤسسات من بناء وتطوير وإدارة التطبيقات والخدمات من خلال مراكز بيانات تديرها Microsoft، مما يسهل نقل أعباء العمل من البنية التحتية المحلية إلى السحابة.

ما هي Azure Machine Learning (AzureML)؟#

Azure Machine Learning (AzureML) هي خدمة سحابية متخصصة مصممة لتطوير وتدريب ونشر نماذج التعلم الآلي. وهي توفر بيئة تعاونية مع أدوات مناسبة لعلماء البيانات والمطورين من جميع مستويات المهارة. تشمل الميزات الرئيسية التعلم الآلي الآلي (AutoML)، وواجهة السحب والإفلات لإنشاء النماذج، وPython SDK القوي لتحكم أكثر دقة في دورة حياة التعلم الآلي. يعمل AzureML على تبسيط عملية تضمين النمذجة التنبؤية في التطبيقات.

المتطلبات الأساسية#

لمتابعة هذا الدليل، ستحتاج إلى اشتراك Azure نشط وإمكانية الوصول إلى مساحة عمل AzureML. إذا لم تكن قد أنشأت مساحة عمل، يرجى الرجوع إلى توثيق Azure الرسمي لإنشاء واحدة.

إنشاء 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 بتكوين المثيل الخاص بك عن طريق تحديد موارد وحدة المعالجة المركزية (CPU) أو وحدة معالجة الرسومات (GPU) المناسبة بناءً على احتياجاتك للتدريب أو الاستدلال.
Azure ML create compute instance interface

افتح 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.

Azure ML open terminal button location

إعداد وتشغيل YOLOv5#

الآن، دعنا نقوم بإعداد البيئة وتشغيل Ultralytics YOLOv5.

إنشاء بيئة افتراضية#

من الأفضل استخدام بيئة افتراضية لإدارة التبعيات. سنستخدم Conda، المثبت مسبقاً على مثيلات الحوسبة في AzureML. للحصول على دليل مفصل حول إعداد Conda، راجع دليل البدء السريع لـ Conda من Ultralytics.

قم بتنشيط أو إنشاء بيئة Conda (على سبيل المثال، yolov5env) بإصدار محدد من Python وتفعيلها:

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

استنساخ 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

تثبيت التبعيات#

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

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

تنفيذ مهام YOLOv5#

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

  • قم بتدريب النموذج على مجموعة بيانات مثل COCO128. تحقق من توثيق وضع التدريب 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

  • تحقق من أداء النموذج المدرب باستخدام مقاييس مثل الدقة (Precision)، والاسترجاع (Recall)، وmAP. راجع دليل وضع التحقق للتعرف على الخيارات.

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

  • قم بتشغيل الاستدلال على صور أو مقاطع فيديو جديدة. استكشف توثيق وضع التنبؤ لمصادر الاستدلال المختلفة.

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

  • قم بتصدير النموذج إلى تنسيقات مختلفة مثل ONNX، أو TensorRT، أو CoreML للنشر. راجع دليل وضع التصدير وصفحة تكامل ONNX.

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

استخدام Notebook#

إذا كنت تفضل تجربة تفاعلية، يمكنك تشغيل هذه الأوامر داخل دفتر ملاحظات AzureML (AzureML Notebook). ستحتاج إلى إنشاء نواة IPython مخصصة مرتبطة بيئة Conda الخاصة بك.

إنشاء 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 النواة، قم بتحديث متصفحك. عند فتح أو إنشاء ملف دفتر ملاحظات .ipynb، حدد النواة الجديدة ("Python (yolov5env)") من القائمة المنسدلة للنواة في أعلى اليمين.

تشغيل الأوامر في خلايا Notebook#

  • خلايا Python: سيتم تنفيذ الكود في خلايا Python تلقائياً باستخدام نواة yolov5env المحددة.

  • خلايا Bash: لتشغيل أوامر الصدفة (shell)، استخدم الأمر السحري %%bash في بداية الخلية. تذكر تنشيط بيئة Conda داخل كل خلايا bash، لأنها لا ترث تلقائياً سياق بيئة نواة دفتر الملاحظات.

    %%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 قمت بنجاح بإعداد وتشغيل Ultralytics YOLOv5 على AzureML. لمزيد من الاستكشاف، فكر في التحقق من تكاملات Ultralytics الأخرى أو توثيق YOLOv5 المفصل. قد تجد أيضاً توثيق AzureML مفيداً للسيناريوهات المتقدمة مثل التدريب الموزع أو نشر النموذج كـ نقطة نهاية (endpoint).

المساهمون
RAraimbekovm1GLglenn-jocher1

التعليقات