Link to this sectionUltralytics YOLOv5 🚀 auf AzureML – Schnellstart#

Willkommen beim Ultralytics YOLOv5 Schnellstart-Handbuch für Microsoft Azure Machine Learning (AzureML)! Diese Anleitung führt dich durch die Einrichtung von YOLOv5 auf einer AzureML-Recheninstanz und deckt alles ab, von der Erstellung einer virtuellen Umgebung bis hin zum Training und der Ausführung von Inferenzen mit dem Modell.

Link to this sectionWas ist Azure?#

Azure ist die umfassende Cloud-Computing-Plattform von Microsoft. Sie bietet eine breite Palette an Diensten, darunter Rechenleistung, Datenbanken, Analysetools, Machine Learning-Funktionen und Netzwerklösungen. Azure ermöglicht es Unternehmen, Anwendungen und Dienste über von Microsoft verwaltete Rechenzentren zu erstellen, bereitzustellen und zu verwalten, was die Migration von Workloads von lokaler Infrastruktur in die Cloud erleichtert.

Link to this sectionWas ist Azure Machine Learning (AzureML)?#

Azure Machine Learning (AzureML) ist ein spezialisierter Cloud-Dienst für die Entwicklung, das Training und die Bereitstellung von Machine-Learning-Modellen. Er bietet eine kollaborative Umgebung mit Tools, die für Data Scientists und Entwickler aller Kenntnisstufen geeignet sind. Zu den Hauptmerkmalen gehören Automated Machine Learning (AutoML), eine Drag-and-Drop-Oberfläche zur Modellerstellung und ein leistungsstarkes Python SDK für eine präzisere Steuerung des ML-Lebenszyklus. AzureML vereinfacht die Einbettung von prädiktiver Modellierung in Anwendungen.

Link to this sectionVoraussetzungen#

Um dieser Anleitung zu folgen, benötigst du ein aktives Azure-Abonnement und Zugriff auf einen AzureML-Arbeitsbereich. Wenn du noch keinen Arbeitsbereich eingerichtet hast, schlage bitte in der offiziellen Azure-Dokumentation nach, wie man einen erstellt.

Link to this sectionErstelle eine Recheninstanz#

Eine Recheninstanz in AzureML bietet eine verwaltete, cloudbasierte Workstation für Data Scientists.

1. Navigiere zu deinem AzureML-Arbeitsbereich.
2. Wähle im linken Bereich Compute aus.
3. Gehe auf die Registerkarte Compute instances und klicke auf New.
4. Konfiguriere deine Instanz, indem du die passenden CPU- oder GPU-Ressourcen entsprechend deinem Bedarf für Training oder Inferenz auswählst.

Link to this sectionÖffne ein Terminal#

Sobald deine Recheninstanz läuft, kannst du über das AzureML Studio direkt auf ihr Terminal zugreifen.

1. Gehe im linken Bereich zum Abschnitt Notebooks.
2. Suche deine Recheninstanz im Dropdown-Menü oben.
3. Klicke unter dem Dateibrowser auf die Option Terminal, um eine Befehlszeilenschnittstelle zu deiner Instanz zu öffnen.

Link to this sectionYOLOv5 einrichten und ausführen#

Lass uns jetzt die Umgebung einrichten und Ultralytics YOLOv5 ausführen.

Link to this sectionErstelle eine virtuelle Umgebung#

Es ist bewährte Praxis, eine virtuelle Umgebung zur Verwaltung von Abhängigkeiten zu nutzen. Wir verwenden Conda, das auf AzureML-Recheninstanzen vorinstalliert ist. Für eine detaillierte Conda-Einrichtungsanleitung siehe den Ultralytics Conda-Schnellstart-Guide.

Erstelle eine Conda-Umgebung (z. B. yolov5env) mit einer bestimmten Python-Version und aktiviere sie:

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 sectionKlone das YOLOv5-Repository#

Klone das offizielle Ultralytics YOLOv5-Repository von GitHub mithilfe von 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 sectionInstalliere Abhängigkeiten#

Installiere die notwendigen Python-Pakete, die in der Datei requirements.txt aufgelistet sind. Wir installieren außerdem ONNX für Modell-Exportfunktionen.

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

Link to this sectionFühre YOLOv5-Aufgaben aus#

Nachdem die Einrichtung abgeschlossen ist, kannst du jetzt dein YOLOv5-Modell trainieren, validieren, Inferenzen durchführen und exportieren.

• Trainiere das Modell auf einem Datensatz wie COCO128. Sieh dir die Dokumentation zum Training Mode für weitere Details an.

  # 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

• Validiere die Leistung des trainierten Modells anhand von Metriken wie Precision, Recall und mAP. Sieh dir den Leitfaden zum Validation Mode für Optionen an.

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

• Führe Inferenzen auf neuen Bildern oder Videos aus. Erkunde die Dokumentation zum Prediction Mode für verschiedene Inferenzquellen.

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

• Exportiere das Modell zur Bereitstellung in verschiedene Formate wie ONNX, TensorRT oder CoreML. Sieh dir den Leitfaden zum Export Mode und die Seite zur ONNX-Integration an.

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

Link to this sectionEin Notebook verwenden#

Wenn du eine interaktive Erfahrung bevorzugst, kannst du diese Befehle innerhalb eines AzureML-Notebooks ausführen. Du musst einen benutzerdefinierten IPython-Kernel erstellen, der mit deiner Conda-Umgebung verknüpft ist.

Link to this sectionErstelle einen neuen IPython-Kernel#

Führe die folgenden Befehle in deinem Recheninstanz-Terminal aus:

# 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)"

Aktualisiere nach dem Erstellen des Kernels deinen Browser. Wenn du eine .ipynb Notebook-Datei öffnest oder erstellst, wähle deinen neuen Kernel ("Python (yolov5env)") aus dem Kernel-Dropdown-Menü oben rechts aus.

Link to this sectionBefehle in Notebook-Zellen ausführen#

• Python-Zellen: Code in Python-Zellen wird automatisch mit dem ausgewählten yolov5env-Kernel ausgeführt.

• Bash-Zellen: Um Shell-Befehle auszuführen, verwende am Anfang der Zelle den %%bash Magic-Befehl. Denke daran, deine Conda-Umgebung in jeder Bash-Zelle zu aktivieren, da sie nicht automatisch den Umgebungskontext des Notebook-Kernels übernehmen.

  %%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

Herzlichen Glückwunsch! Du hast Ultralytics YOLOv5 erfolgreich auf AzureML eingerichtet und ausgeführt. Für weitere Erkundungen könntest du dir andere Ultralytics-Integrationen oder die detaillierte YOLOv5-Dokumentation ansehen. Vielleicht findest du auch die AzureML-Dokumentation für fortgeschrittene Szenarien wie verteiltes Training oder die Modellbereitstellung als Endpunkt hilfreich.