Ultralytics YOLOv5 🚀 auf AzureML – Schnellstart#

Willkommen beim Ultralytics YOLOv5 Schnellstart-Leitfaden für Microsoft Azure Machine Learning (AzureML)! Dieser Leitfaden führt dich durch die Einrichtung von YOLOv5 auf einer AzureML-Recheninstanz und behandelt alles von der Erstellung einer virtuellen Umgebung bis hin zum Training und der Inferenz mit dem Modell.

Was ist Azure?#

Azure ist die umfassende Cloud-Computing-Plattform von Microsoft. Sie bietet eine Vielzahl von 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 der lokalen Infrastruktur in die Cloud erleichtert.

Was ist Azure Machine Learning (AzureML)?#

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

Voraussetzungen#

Um diesem Leitfaden zu folgen, benötigst du ein aktives Azure-Abonnement und Zugriff auf einen AzureML-Arbeitsbereich. Wenn du keinen Arbeitsbereich eingerichtet hast, schaue bitte in der offiziellen Azure-Dokumentation nach, um einen zu erstellen.

Erstelle 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 entsprechenden CPU- oder GPU-Ressourcen basierend auf deinen Anforderungen für das Training oder die Inferenz auswählst.

Öffne 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.

YOLOv5 einrichten und ausführen#

Lass uns jetzt die Umgebung einrichten und Ultralytics YOLOv5 ausführen.

Erstelle eine virtuelle Umgebung#

Es ist bewährte Praxis, eine virtuelle Umgebung zu verwenden, um Abhängigkeiten zu verwalten. Wir verwenden Conda, das auf AzureML-Recheninstanzen vorinstalliert ist. Eine detaillierte Anleitung zur Conda-Einrichtung findest du im Ultralytics Conda-Schnellstart-Leitfaden.

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

Klone das YOLOv5-Repository#

Klonne das offizielle Ultralytics YOLOv5-Repository von GitHub mit 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

Installiere Abhängigkeiten#

Installiere die erforderlichen Python-Pakete, die in der Datei requirements.txt aufgeführt sind. Wir installieren auch ONNX für Modellexportfunktionen.

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

Führe YOLOv5-Aufgaben aus#

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

• Trainiere das Modell mit einem Datensatz wie COCO128. Weitere Details findest du in der Dokumentation zum Trainingsmodus.

  # 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. Siehe den Leitfaden zum Validierungsmodus für Optionen.

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

• Führe die Inferenz für neue Bilder oder Videos aus. Erkunde die Dokumentation zum Vorhersagemodus für verschiedene Inferenzquellen.

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

• Exportiere das Modell für die Bereitstellung in verschiedene Formate wie ONNX, TensorRT oder CoreML. Siehe den Leitfaden zum Exportmodus und die Seite zur ONNX-Integration.

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

Ein Notebook verwenden#

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

Erstelle 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 Notebook-Datei .ipynb öffnest oder erstellst, wähle deinen neuen Kernel („Python (yolov5env)“) aus dem Kernel-Dropdown-Menü oben rechts aus.

Befehle in Notebook-Zellen ausführen#

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

• Bash-Zellen: Um Shell-Befehle auszuführen, verwende den Magic-Befehl %%bash am Anfang der Zelle. Denke daran, deine Conda-Umgebung in jeder Bash-Zelle zu aktivieren, da diese den Umgebungskontext des Kernel-Notebooks nicht automatisch 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 solltest du dir andere Ultralytics-Integrationen oder die detaillierte YOLOv5-Dokumentation ansehen. Möglicherweise findest du auch die AzureML-Dokumentation für fortgeschrittene Szenarien wie verteiltes Training oder Modellbereitstellung als Endpunkt nützlich.