Ultralytics YOLOv5 🚀 auf AzureML Quickstart

Willkommen zur Ultralytics YOLOv5 Kurzanleitung für Microsoft Azure Machine Learning (AzureML)! Dieser Leitfaden 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.

Was 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 in von Microsoft verwalteten Rechenzentren zu erstellen, bereitzustellen und zu verwalten, was die Migration von Workloads von lokaler Infrastruktur in die Cloud erleichtert.

Was 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 sich für Data Scientists und Entwickler aller Kenntnisstufen eignen. Zu den Hauptfunktionen gehören automatisches Machine Learning (AutoML), eine Drag-and-Drop-Oberfläche zur Modellerstellung und ein leistungsstarkes Python-SDK für eine detailliertere Kontrolle über den ML-Lebenszyklus. AzureML vereinfacht den Prozess der Einbettung von prädiktiver Modellierung in Anwendungen.

Voraussetzungen

Um diesem Leitfaden folgen zu können, 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 du einen erstellst.

Erstelle eine Recheninstanz

Eine Recheninstanz in AzureML bietet eine verwaltete, Cloud-basierte Workstation für Data Scientists.

1. Navigiere zu deinem AzureML-Arbeitsbereich.
2. Wähle im linken Bereich Compute aus.
3. Gehe zum Tab Recheninstanzen und klicke auf Neu.
4. Konfiguriere deine Instanz, indem du die passenden CPU- oder GPU-Ressourcen basierend auf deinen Anforderungen für Training oder Inferenz auswählst.

Öffne ein Terminal

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

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

Einrichtung und Ausführung von YOLOv5

Lass uns nun die Umgebung einrichten und Ultralytics YOLOv5 ausführen.

1. Erstelle eine virtuelle Umgebung

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

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. Klone 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

3. Installiere Abhängigkeiten

Installiere die notwendigen Python-Pakete, die in der requirements.txt-Datei 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

4. Führe YOLOv5-Aufgaben durch

Nach Abschluss der Einrichtung kannst du nun trainieren, validieren, Inferenzen durchführen und dein YOLOv5-Modell exportieren.

• Trainiere das Modell mit einem Datensatz wie COCO128. Sieh dir die Dokumentation zum Trainingsmodus 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. Siehe den Validierungsmodus-Leitfaden für Optionen.

  # 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 durch. 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 zur Bereitstellung in verschiedene Formate wie ONNX, TensorRT oder CoreML. Beachte den Exportmodus-Leitfaden und die ONNX-Integrationsseite.

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

Verwendung eines Notebooks

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.

Erstelle einen neuen IPython-Kernel

Führe die folgenden Befehle im Terminal deiner Recheninstanz 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-Notebook-Datei öffnest oder erstellst, wähle deinen neuen Kernel ("Python (yolov5env)") aus dem Kernel-Dropdown-Menü oben rechts aus.

Ausführen von Befehlen in Notebook-Zellen

• Python-Zellen: Code in Python-Zellen wird automatisch unter Verwendung des ausgewählten yolov5env-Kernels 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 Kontext der Kernel-Umgebung des 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

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 hilfreich für fortgeschrittene Szenarien wie verteiltes Training oder die Modellbereitstellung als Endpunkt.