YOLOv5 🚀 en AzureML

¿Qué es Azure?

Azure es la plataforma de computación en la nube de Microsoft, diseñada para ayudar a las organizaciones a trasladar sus cargas de trabajo a la nube desde centros de datos locales. Con un espectro completo de servicios en la nube que incluye computación, bases de datos, análisis, aprendizaje automático y redes, los usuarios pueden elegir entre estos servicios para desarrollar y escalar nuevas aplicaciones, o ejecutar aplicaciones existentes, en la nube pública.

¿Qué es Azure Machine Learning (AzureML)?

Azure Machine Learning, comúnmente conocido como AzureML, es un servicio en la nube totalmente gestionado que permite a los científicos de datos y desarrolladores integrar eficazmente el análisis predictivo en sus aplicaciones. AzureML ofrece una variedad de servicios y capacidades destinados a hacer que el aprendizaje automático sea accesible, fácil de usar y escalable, proporcionando características como el aprendizaje automático automatizado, la formación de modelos de arrastrar y soltar, y un robusto SDK de Python .

Requisitos previos

Antes de empezar, necesita un espacio de trabajo AzureML. Si no tienes uno, puedes crear un nuevo espacio de trabajo siguiendo la documentación oficial de Azure.

Crear una instancia de cálculo

En su espacio de trabajo AzureML, seleccione Compute > Compute instances > New, y seleccione la instancia con los recursos que necesita.

Abrir un terminal

Desde la vista de Portátiles, abre un Terminal y selecciona tu ordenador.

Configurar y ejecutar YOLOv5

Crear un entorno virtual

Crea un entorno conda con tu versión preferida Python :

conda create --name yolov5env -y python=3.10
conda activate yolov5env
conda install pip -y

Clonar repositorio YOLOv5

Clonar el repositorio YOLOv5 con sus submódulos:

git clone https://github.com/ultralytics/yolov5
cd yolov5
git submodule update --init --recursive # You might see a message asking you to add your folder as a safe.directory

Instalar dependencias

Instale las dependencias necesarias:

pip install -r requirements.txt
pip install onnx

Realizar tareas YOLOv5

Entrene el modelo YOLOv5 :

python train.py --data coco128.yaml --weights yolov5s.pt --img 640

Validar el modelo para Precisión, Recall y mAP:

python val.py --weights yolov5s.pt --data coco128.yaml

Ejecutar inferencia sobre imágenes:

python detect.py --weights yolov5s.pt --source path/to/images

Exporta modelos a otros formatos (como ONNX):

python export.py --weights yolov5s.pt --include onnx

Utilizar un cuaderno

Si prefieres utilizar un bloc de notas en lugar del terminal, tendrás que crear un nuevo Kernel y seleccionarlo en la parte superior de tu bloc de notas.

Crear un nuevo núcleo IPython

Desde tu terminal de computación:

conda create --name yolov5env -y python=3.10
conda activate yolov5env
conda install pip ipykernel -y
python -m ipykernel install --user --name yolov5env --display-name "yolov5env"

Al crear celdas Python en tu cuaderno, éstas utilizarán automáticamente tu entorno personalizado. Para las celdas bash , necesitas activar tu entorno en cada celda:

%%bash
source activate yolov5env
python val.py --weights yolov5s.pt --data coco128.yaml

Creado hace 1 año ✏️ Actualizado hace 8 días