Link to this sectionUltralytics YOLOv5 🚀 sur le démarrage rapide AzureML#

Bienvenue dans le guide de démarrage rapide d'Ultralytics YOLOv5 pour Microsoft Azure Machine Learning (AzureML) ! Ce guide t'accompagnera dans la configuration de YOLOv5 sur une instance de calcul AzureML, en abordant tout, de la création d'un environnement virtuel à l'entraînement et à l'exécution d'inférences avec le modèle.

Link to this sectionQu'est-ce qu'Azure ?#

Azure est la plateforme complète de cloud computing de Microsoft. Elle offre une vaste gamme de services, incluant la puissance de calcul, les bases de données, les outils d'analyse, les capacités de machine learning et des solutions de réseau. Azure permet aux organisations de créer, déployer et gérer des applications et des services via des centres de données gérés par Microsoft, facilitant ainsi la migration des charges de travail d'une infrastructure sur site vers le cloud.

Link to this sectionQu'est-ce qu'Azure Machine Learning (AzureML) ?#

Azure Machine Learning (AzureML) est un service cloud spécialisé conçu pour le développement, l'entraînement et le déploiement de modèles de machine learning. Il fournit un environnement collaboratif avec des outils adaptés aux data scientists et aux développeurs de tous niveaux. Les fonctionnalités clés incluent le machine learning automatisé (AutoML), une interface glisser-déposer pour la création de modèles et un puissant SDK Python pour un contrôle plus granulaire du cycle de vie ML. AzureML simplifie le processus d'intégration de la modélisation prédictive dans les applications.

Link to this sectionPrérequis#

Pour suivre ce guide, tu auras besoin d'un abonnement Azure actif et d'un accès à un espace de travail AzureML. Si tu n'as pas d'espace de travail configuré, consulte la documentation officielle Azure pour en créer un.

Link to this sectionCréer une instance de calcul#

Une instance de calcul dans AzureML fournit une station de travail gérée basée sur le cloud pour les data scientists.

Navigue vers ton espace de travail AzureML.
Dans le volet de gauche, sélectionne Compute.
Va sur l'onglet Compute instances et clique sur New.
Configure ton instance en sélectionnant les ressources CPU ou GPU appropriées selon tes besoins pour l'entraînement ou l'inférence.

Azure ML create compute instance interface

Link to this sectionOuvrir un terminal#

Une fois que ton instance de calcul est en cours d'exécution, tu peux accéder à son terminal directement depuis le studio AzureML.

Va dans la section Notebooks du volet de gauche.
Trouve ton instance de calcul dans le menu déroulant en haut.
Clique sur l'option Terminal sous le navigateur de fichiers pour ouvrir une interface de ligne de commande vers ton instance.

Link to this sectionConfigurer et exécuter YOLOv5#

Maintenant, configurons l'environnement et exécutons Ultralytics YOLOv5.

Link to this section1. Créer un environnement virtuel#

C'est une bonne pratique d'utiliser un environnement virtuel pour gérer les dépendances. Nous utiliserons Conda, qui est préinstallé sur les instances de calcul AzureML. Pour un guide de configuration Conda détaillé, consulte le Guide de démarrage rapide Conda d'Ultralytics.

Crée un environnement Conda (par exemple yolov5env) avec une version spécifique de Python et active-le :

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

Link to this section2. Cloner le dépôt YOLOv5#

Clone le dépôt officiel Ultralytics YOLOv5 depuis GitHub en utilisant 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

Link to this section3. Installer les dépendances#

Installe les paquets Python nécessaires listés dans le fichier requirements.txt. Nous installons également ONNX pour les capacités d'exportation de modèle.

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

Link to this section4. Effectuer des tâches YOLOv5#

Une fois la configuration terminée, tu peux désormais entraîner, valider, effectuer des inférences et exporter ton modèle YOLOv5.

Entraîne le modèle sur un jeu de données comme COCO128. Consulte la documentation du Mode Entraînement pour plus de détails.

# 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

Valide les performances du modèle entraîné en utilisant des métriques comme la Précision, le Rappel et le mAP. Voir le guide du Mode Validation pour les options.
```
# Validate the yolov5s model on the COCO128 validation set
python val.py --weights yolov5s.pt --data coco128.yaml --img 640
```
Exécute l'inférence sur de nouvelles images ou vidéos. Explore la documentation du Mode Prédiction pour diverses sources d'inférence.
```
# Run inference with yolov5s on sample images
python detect.py --weights yolov5s.pt --source data/images --img 640
```
Exporte le modèle vers différents formats comme ONNX, TensorRT ou CoreML pour le déploiement. Réfère-toi au guide du Mode Exportation et à la page Intégration ONNX.
```
# Export yolov5s to ONNX format
python export.py --weights yolov5s.pt --include onnx --img 640
```

Link to this sectionUtiliser un notebook#

Si tu préfères une expérience interactive, tu peux exécuter ces commandes dans un notebook AzureML. Tu devras créer un noyau IPython personnalisé lié à ton environnement Conda.

Link to this sectionCréer un nouveau noyau IPython#

Exécute les commandes suivantes dans le terminal de ton instance de calcul :

# 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)"

Après avoir créé le noyau, rafraîchis ton navigateur. Lorsque tu ouvres ou crées un fichier de notebook .ipynb, sélectionne ton nouveau noyau ("Python (yolov5env)") depuis le menu déroulant du noyau en haut à droite.

Link to this sectionExécuter des commandes dans les cellules de notebook#

Cellules Python : Le code dans les cellules Python s'exécutera automatiquement en utilisant le noyau yolov5env sélectionné.
Cellules Bash : Pour exécuter des commandes shell, utilise la commande magique %%bash au début de la cellule. N'oublie pas d'activer ton environnement Conda au sein de chaque cellule bash, car elles n'héritent pas automatiquement du contexte de l'environnement du noyau du notebook.
```
%%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
```

Félicitations ! Tu as configuré et exécuté avec succès Ultralytics YOLOv5 sur AzureML. Pour explorer davantage, pense à consulter les autres intégrations Ultralytics ou la documentation détaillée YOLOv5. Tu pourrais également trouver la documentation AzureML utile pour des scénarios avancés comme l'entraînement distribué ou le déploiement de modèle en tant que point de terminaison.

Contributeurs

GLglenn-jocher¹

Créé il y a 4 heuresMis à jour il y a 4 heures