Ultralytics YOLOv5 🚀 auf AzureML – Schnellstart#

Willkommen beim Schnellstarthandbuch für Ultralytics YOLOv5 für Microsoft Azure Machine Learning (AzureML)! Dieses Handbuch führt dich durch die Einrichtung von YOLOv5 auf einer AzureML-Compute-Instanz – von der Erstellung einer virtuellen Umgebung bis zum Training und zur Inferenz mit dem Modell.

Was ist Azure?#

Azure ist die umfassende Cloud-Computing-Plattform von Microsoft. Sie bietet eine große Auswahl an Diensten, darunter Rechenleistung, Datenbanken, Analysetools, Funktionen für maschinelles Lernen und Netzwerklösungen. Azure ermöglicht es Organisationen, Anwendungen und Dienste über von Microsoft verwaltete Rechenzentren zu erstellen, bereitzustellen und zu verwalten, und erleichtert die Migration von Arbeitslasten aus der lokalen Infrastruktur in die Cloud.

Was ist Azure Machine Learning (AzureML)?#

Azure Machine Learning (AzureML) ist ein spezialisierter Cloud-Dienst zur Entwicklung, zum Training und zur Bereitstellung von Modellen für maschinelles Lernen. Er bietet eine kollaborative Umgebung mit Tools, die für Datenwissenschaftler und Entwickler aller Erfahrungsstufen geeignet sind. Zu den wichtigsten Funktionen gehören automatisches maschinelles Lernen (AutoML), eine Drag-and-Drop-Oberfläche zur Modellerstellung und ein leistungsfähiges Python-SDK für eine detailliertere Steuerung des Lebenszyklus für maschinelles Lernen. AzureML vereinfacht die Einbindung von prädiktiver Modellierung in Anwendungen.

Voraussetzungen#

Für diese Anleitung benötigst du ein aktives Azure-Abonnement und Zugriff auf einen AzureML-Arbeitsbereich. Wenn du noch keinen Arbeitsbereich eingerichtet hast, findest du in der offiziellen Azure-Dokumentation Informationen zu seiner Erstellung.

Compute-Instanz erstellen#

Eine Compute-Instanz in AzureML stellt Datenwissenschaftlern eine verwaltete, cloudbasierte Arbeitsstation bereit.

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

Ein Terminal öffnen#

Sobald deine Compute-Instanz ausgeführt wird, kannst du direkt über AzureML Studio auf ihr Terminal zugreifen.

1. Wechsle im linken Bereich zum Abschnitt Notebooks.
2. Suche deine Compute-Instanz im Dropdown-Menü oben.
3. Klicke unterhalb des Dateibrowsers auf die Option Terminal, um eine Befehlszeilenschnittstelle für deine Instanz zu öffnen.

YOLOv5 einrichten und ausführen#

Richte nun die Umgebung ein und führe Ultralytics YOLOv5 aus.

1. Eine virtuelle Umgebung erstellen#

Es empfiehlt sich, eine virtuelle Umgebung zur Verwaltung von Abhängigkeiten zu verwenden. Wir verwenden Conda, das auf AzureML-Compute-Instanzen vorinstalliert ist. Eine ausführliche Anleitung zur Einrichtung von Conda findest du im Conda-Schnellstarthandbuch von Ultralytics.

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

2. Das YOLOv5-Repository klonen#

Klone 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

3. Abhängigkeiten installieren#

Installiere die erforderlichen Python-Pakete, die in der Datei requirements.txt aufgeführt sind. Außerdem installieren wir ONNX, um Modelle exportieren zu können.

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

4. YOLOv5-Aufgaben ausführen#

Nach abgeschlossener Einrichtung kannst du dein YOLOv5-Modell trainieren, validieren, Inferenz ausführen und exportieren.

• Trainiere das Modell mit einem Datensatz wie COCO128. Weitere Informationen 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 mithilfe von Metriken wie Precision, Recall und mAP. Optionen findest du im Leitfaden zum Validierungsmodus.

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

• Führe Inferenz aus auf neuen Bildern oder Videos. In der Dokumentation zum Vorhersagemodus findest du 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. Sieh dir dazu den Leitfaden zum Exportmodus und die Seite zur ONNX-Integration an.

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

Ein Notebook verwenden#

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

Neuen IPython-Kernel erstellen#

Führe die folgenden Befehle im Terminal deiner Compute-Instanz 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 der Erstellung des Kernels deinen Browser. Wenn du eine .ipynb-Notebookdatei öffnest oder erstellst, wähle deinen neuen Kernel ("Python (yolov5env)") aus dem Kernel-Dropdown-Menü oben rechts aus.

Befehle in Notebookzellen ausführen#

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

• Bash-Zellen: Verwende zum Ausführen von Shell-Befehlen den Magic-Befehl %%bash am Anfang der Zelle. Denke daran, deine Conda-Umgebung in jeder Bash-Zelle zu aktivieren, da diese die Umgebung des Notebook-Kernels 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

Glückwunsch! Du hast Ultralytics YOLOv5 erfolgreich auf AzureML eingerichtet und ausgeführt. Für weitere Informationen kannst du dir andere Ultralytics-Integrationen oder die ausführliche YOLOv5-Dokumentation ansehen. Auch die AzureML-Dokumentation kann für fortgeschrittene Szenarien wie verteiltes Training oder die Bereitstellung eines Modells als Endpunkt hilfreich sein.