Ultralytics YOLOv5 🚀 en el inicio rápido de AzureML#

¡Te damos la bienvenida a la guía de inicio rápido de Ultralytics YOLOv5 para Microsoft Azure Machine Learning (AzureML)! Esta guía te enseñará a configurar YOLOv5 en una instancia de cálculo de AzureML, abarcando desde la creación de un entorno virtual hasta el entrenamiento y la ejecución de inferencias con el modelo.

¿Qué es Azure?#

Azure es la plataforma integral de cloud computing de Microsoft. Ofrece una amplia gama de servicios, que incluyen potencia de cálculo, bases de datos, herramientas de análisis, capacidades de machine learning y soluciones de red. Azure permite a las organizaciones crear, desplegar y gestionar aplicaciones y servicios a través de centros de datos gestionados por Microsoft, facilitando la migración de cargas de trabajo desde infraestructuras locales a la nube.

¿Qué es Azure Machine Learning (AzureML)?#

Azure Machine Learning (AzureML) es un servicio en la nube especializado y diseñado para desarrollar, entrenar y desplegar modelos de machine learning. Proporciona un entorno colaborativo con herramientas adecuadas para científicos de datos y desarrolladores de cualquier nivel de habilidad. Las características clave incluyen automated machine learning (AutoML), una interfaz de arrastrar y soltar para la creación de modelos y un potente SDK de Python para un control más preciso sobre el ciclo de vida de ML. AzureML simplifica el proceso de integrar predictive modeling en las aplicaciones.

Requisitos previos#

Para seguir esta guía, necesitarás una Azure subscription activa y acceso a un AzureML workspace. Si no tienes un espacio de trabajo configurado, consulta la Azure documentation oficial para crear uno.

Crear una instancia de computación#

Una instancia de computación en AzureML proporciona una estación de trabajo gestionada en la nube para científicos de datos.

1. Navega a tu espacio de trabajo de AzureML.
2. En el panel izquierdo, selecciona Compute (Computación).
3. Ve a la pestaña Compute instances (Instancias de computación) y haz clic en New (Nuevo).
4. Configura tu instancia seleccionando los recursos de CPU o GPU adecuados según tus necesidades de entrenamiento o inferencia.

Abrir un terminal#

Una vez que tu instancia de computación esté en ejecución, puedes acceder a su terminal directamente desde AzureML studio.

1. Ve a la sección Notebooks en el panel izquierdo.
2. Busca tu instancia de computación en el menú desplegable superior.
3. Haz clic en la opción Terminal debajo del explorador de archivos para abrir una interfaz de línea de comandos en tu instancia.

Configurar y ejecutar YOLOv5#

Ahora, vamos a configurar el entorno y ejecutar Ultralytics YOLOv5.

Crear un entorno virtual#

Es una buena práctica utilizar un entorno virtual para gestionar las dependencias. Usaremos Conda, que viene preinstalado en las instancias de cálculo de AzureML. Para ver una guía detallada de configuración de Conda, consulta la Conda Quickstart Guide de Ultralytics.

Crea un entorno de Conda (por ejemplo, yolov5env) con una versión específica de Python y actívalo:

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

Clonar el repositorio de YOLOv5#

Clona el repositorio oficial de Ultralytics YOLOv5 desde GitHub usando 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

Instalar dependencias#

Instala los paquetes de Python necesarios que se enumeran en el archivo requirements.txt. También instalamos ONNX para obtener capacidades de exportación de modelos.

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

Realizar tareas de YOLOv5#

Con la configuración completada, ya puedes entrenar, validar, realizar inferencias y exportar tu modelo YOLOv5.

• Entrena el modelo en un conjunto de datos como COCO128. Consulta la documentación de Training Mode para obtener más detalles.

  # 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

• Valida el rendimiento del modelo entrenado utilizando métricas como Precision, Recall y mAP. Consulta la guía de Validation Mode para ver las opciones.

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

• Ejecuta inferencias en nuevas imágenes o vídeos. Explora la documentación de Prediction Mode para conocer las distintas fuentes de inferencia.

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

• Exporta el modelo a diferentes formatos como ONNX, TensorRT o CoreML para su despliegue. Consulta la guía de Export Mode y la página de ONNX Integration.

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

Usar un Notebook#

Si prefieres una experiencia interactiva, puedes ejecutar estos comandos dentro de un cuaderno de AzureML. Necesitarás crear un IPython kernel personalizado vinculado a tu entorno de Conda.

Crear un nuevo kernel de IPython#

Ejecuta los siguientes comandos en el terminal de tu instancia de computación:

# 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)"

Tras crear el kernel, actualiza tu navegador. Cuando abras o crees un archivo de cuaderno .ipynb, selecciona tu nuevo kernel («Python (yolov5env)») en el menú desplegable de kernels situado arriba a la derecha.

Ejecutar comandos en celdas de Notebook#

• Celdas de Python: El código de las celdas de Python se ejecutará automáticamente utilizando el kernel yolov5env seleccionado.

• Celdas de Bash: Para ejecutar comandos de shell, utiliza el comando mágico %%bash al principio de la celda. Recuerda activar tu entorno de Conda dentro de cada celda de bash, ya que estas no heredan automáticamente el contexto del entorno del kernel del cuaderno.

  %%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

¡Enhorabuena! Has configurado y ejecutado con éxito Ultralytics YOLOv5 en AzureML. Para seguir investigando, considera consultar otras Ultralytics Integrations o la detallada YOLOv5 documentation. También puede que te resulte útil la AzureML documentation para escenarios avanzados como el entrenamiento distribuido o el despliegue de modelos como un punto de conexión.