YOLOv5 🚀 sur AzureML

Qu'est-ce qu'Azure ?

Azure est la plateforme de cloud computing de Microsoft, conçue pour aider les organisations à déplacer leurs charges de travail vers le cloud à partir de centres de données sur site. Avec un spectre complet de services cloud, y compris l'informatique, les bases de données, l'analyse, l'apprentissage automatique et la mise en réseau, les utilisateurs peuvent choisir parmi ces services pour développer et mettre à l'échelle de nouvelles applications, ou exécuter des applications existantes, dans le cloud public.

Qu'est-ce que Azure Machine Learning (AzureML) ?

Azure Machine Learning, communément appelé AzureML, est un service cloud entièrement géré qui permet aux data scientists et aux développeurs d'intégrer efficacement l'analyse prédictive dans leurs applications. AzureML offre une variété de services et de capacités visant à rendre l'apprentissage automatique accessible, facile à utiliser et évolutif, en fournissant des fonctionnalités telles que l'apprentissage automatique, l'entraînement de modèles par glisser-déposer et un SDK Python robuste.

Conditions préalables

Avant de commencer, vous devez disposer d'un espace de travail AzureML. Si vous n'en avez pas, vous pouvez créer un nouvel espace de travail en suivant la documentation officielle d'Azure.

Créer une instance de calcul

Dans votre espace de travail AzureML, sélectionnez Compute > Compute instances > New, et sélectionnez l'instance avec les ressources dont vous avez besoin.

Ouvrir un terminal

Dans la vue des ordinateurs portables, ouvrez un terminal et sélectionnez votre ordinateur.

Mise en place et exécution YOLOv5

Créer un environnement virtuel

Créez un environnement conda avec la version de Python de votre choix :

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

Cloner le dépôt YOLOv5

Cloner le dépôt YOLOv5 avec ses sous-modules :

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

Installer les dépendances

Installer les dépendances nécessaires :

pip install -r requirements.txt
pip install onnx

Exécuter les tâches de YOLOv5

Former le modèle YOLOv5 :

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

Valider le modèle en termes de précision, de rappel et de mAP:

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

Effectuer une inférence sur les images :

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

Exporter les modèles vers d'autres formats (comme ONNX) :

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

Utilisation d'un carnet de notes

Si vous préférez utiliser un carnet de notes plutôt que le terminal, vous devrez créer un nouveau noyau et le sélectionner en haut de votre carnet de notes.

Créer un nouveau noyau IPython

Depuis votre terminal de calcul :

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"

Lorsque vous créez des cellules Python dans votre notebook, elles utiliseront automatiquement votre environnement personnalisé. Pour les cellules bash , vous devez activer votre environnement dans chaque cellule :

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

📅C réé il y a 1 an ✏️ Mis à jour il y a 8 jours