دليل التشغيل السريع لـ Ultralytics YOLOv5 🚀 على AzureML

مرحبًا بك في دليل التشغيل السريع لـ Ultralytics YOLOv5 على منصة Microsoft Azure Machine Learning (AzureML)! سيرشدك هذا الدليل خلال عملية إعداد YOLOv5 على مثيل حوسبة في AzureML، حيث يغطي كل شيء بدءًا من إنشاء بيئة افتراضية وحتى تدريب النموذج وتشغيل الاستدلال.

ما هو Azure؟

Azure هي منصة الحوسبة السحابية الشاملة من Microsoft. توفر مجموعة واسعة من الخدمات، بما في ذلك قوة الحوسبة، وقواعد البيانات، وأدوات التحليل، وإمكانات تعلم الآلة، وحلول الشبكات. تُمكّن Azure المؤسسات من بناء وتوزيع وإدارة التطبيقات والخدمات من خلال مراكز بيانات تابعة لـ Microsoft، مما يسهل نقل أعباء العمل من البنية التحتية المحلية إلى السحابة.

ما هو Azure Machine Learning (AzureML)؟

Azure Machine Learning (AzureML) هي خدمة سحابية متخصصة مصممة لتطوير وتدريب ونشر نماذج تعلم الآلة. توفر بيئة تعاونية تحتوي على أدوات مناسبة لعلماء البيانات والمطورين من جميع مستويات المهارة. تشمل الميزات الرئيسية تعلم الآلة المؤتمت (AutoML)، وواجهة السحب والإفلات لإنشاء النماذج، و Python SDK قوي للتحكم الدقيق في دورة حياة تعلم الآلة. تعمل AzureML على تبسيط عملية دمج النمذجة التنبؤية في التطبيقات.

المتطلبات الأساسية

لمتابعة هذا الدليل، ستحتاج إلى اشتراك Azure نشط والوصول إلى مساحة عمل AzureML. إذا لم تكن لديك مساحة عمل مُعدة، فيُرجى الرجوع إلى وثائق Azure الرسمية لإنشاء واحدة.

إنشاء مثيل حوسبة

يوفر مثيل الحوسبة في AzureML محطة عمل مدارة قائمة على السحابة لعلماء البيانات.

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

فتح 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 فوق خيار Terminal أسفل متصفح الملفات لفتح واجهة سطر الأوامر الخاصة بالمثيل الخاص بك.

إعداد وتشغيل YOLOv5

الآن، دعنا نقوم بإعداد البيئة وتشغيل Ultralytics YOLOv5.

إنشاء بيئة افتراضية

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

أنشئ بيئة Conda (على سبيل المثال، yolov5env) بإصدار محدد 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

استنساخ مستودع YOLOv5

قم باستنساخ 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 الضرورية المدرجة في ملف requirements.txt. نقوم أيضًا بتثبيت ONNX للحصول على إمكانات 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 نموذج YOLOv5 الخاص بك والتحقق من صحته وإجراء الاستدلال عليه وتصديره.

• تدريب النموذج على مجموعة بيانات مثل COCO128. راجع وثائق 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

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

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

• تشغيل الاستدلال على صور أو مقاطع فيديو جديدة. استكشف وثائق وضع التنبؤ لمصادر استدلال متنوعة.

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

• تصدير 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 AzureML Notebook. ستحتاج إلى إنشاء IPython kernel مخصص مرتبط ببيئة 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 الـ kernel، قم بتحديث متصفحك. عند فتح أو إنشاء ملف دفتر ملاحظات .ipynb، حدد الـ kernel الجديد الخاص بك ("Python (yolov5env)") من القائمة المنسدلة للـ kernel في أعلى اليمين.

تشغيل الأوامر في خلايا الـ Notebook

• خلايا Python: سيتم تنفيذ الكود الموجود في خلايا Python تلقائيًا باستخدام الـ kernel المختار yolov5env.

• 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 تلقائيًا.

  %%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 وثائق YOLOv5 المفصلة. قد تجد أيضًا وثائق AzureML مفيدة للسيناريوهات المتقدمة مثل التدريب الموزع أو نشر النموذج كنقطة نهاية.