Meet YOLO26: next-gen vision AI.

Link to this sectionUltralytics YOLOv5 🚀 su AzureML Quickstart#

Benvenuto nella guida rapida di Ultralytics YOLOv5 per Microsoft Azure Machine Learning (AzureML)! Questa guida ti accompagnerà nella configurazione di YOLOv5 su un'istanza di calcolo AzureML, coprendo tutto, dalla creazione di un ambiente virtuale all'addestramento e all'esecuzione dell'inferenza con il modello.

Link to this sectionCos'è Azure?#

Azure è la piattaforma completa di cloud computing di Microsoft. Offre una vasta gamma di servizi, tra cui potenza di calcolo, database, strumenti di analisi, funzionalità di machine learning e soluzioni di rete. Azure permette alle organizzazioni di creare, distribuire e gestire applicazioni e servizi tramite data center gestiti da Microsoft, facilitando la migrazione dei carichi di lavoro dall'infrastruttura locale al cloud.

Link to this sectionCos'è Azure Machine Learning (AzureML)?#

Azure Machine Learning (AzureML) è un servizio cloud specializzato progettato per sviluppare, addestrare e distribuire modelli di machine learning. Offre un ambiente collaborativo con strumenti adatti a data scientist e sviluppatori di ogni livello di competenza. Le caratteristiche principali includono il machine learning automatizzato (AutoML), un'interfaccia drag-and-drop per la creazione di modelli e un potente SDK Python per un controllo più granulare del ciclo di vita del ML. AzureML semplifica il processo di integrazione della modellazione predittiva nelle applicazioni.

Link to this sectionPrerequisiti#

Per seguire questa guida, avrai bisogno di un abbonamento Azure attivo e dell'accesso a un area di lavoro AzureML. Se non hai un'area di lavoro configurata, consulta la documentazione Azure ufficiale per crearne una.

Link to this sectionCreare un'istanza di calcolo#

Un'istanza di calcolo in AzureML fornisce una workstation gestita basata su cloud per i data scientist.

  1. Vai alla tua area di lavoro AzureML.
  2. Nel riquadro sinistro, seleziona Compute.
  3. Vai alla scheda Compute instances e clicca su New.
  4. Configura la tua istanza selezionando le risorse CPU o GPU appropriate in base alle tue esigenze di addestramento o inferenza.
Azure ML create compute instance interface

Link to this sectionAprire un terminale#

Una volta che la tua istanza di calcolo è in esecuzione, puoi accedere al suo terminale direttamente da AzureML studio.

  1. Vai alla sezione Notebooks nel riquadro sinistro.
  2. Trova la tua istanza di calcolo nel menu a tendina in alto.
  3. Clicca sull'opzione Terminal sotto il browser di file per aprire un'interfaccia a riga di comando per la tua istanza.

Posizione del pulsante per aprire il terminale Azure ML

Link to this sectionConfigurare ed eseguire YOLOv5#

Ora, configuriamo l'ambiente ed eseguiamo Ultralytics YOLOv5.

Link to this sectionCreare un ambiente virtuale#

È una buona pratica utilizzare un ambiente virtuale per gestire le dipendenze. Utilizzeremo Conda, che è preinstallato sulle istanze di calcolo AzureML. Per una guida dettagliata alla configurazione di Conda, consulta la Guida rapida a Conda di Ultralytics.

Crea un ambiente Conda (es. yolov5env) con una versione specifica di Python e attivalo:

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 sectionClonare il repository YOLOv5#

Clona il repository ufficiale di Ultralytics YOLOv5 da 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

Link to this sectionInstallare le dipendenze#

Installa i pacchetti Python necessari elencati nel file requirements.txt. Installiamo anche ONNX per le funzionalità di esportazione del modello.

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

Link to this sectionEseguire le attività di YOLOv5#

Con la configurazione completata, ora puoi addestrare, validare, eseguire l'inferenza ed esportare il tuo modello YOLOv5.

  • Addestra il modello su un dataset come COCO128. Controlla la documentazione Modalità di addestramento per maggiori dettagli.

    # 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 le prestazioni del modello addestrato usando metriche come Precision, Recall e mAP. Vedi la guida Modalità di validazione per le opzioni.

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

  • Esegui l'inferenza su nuove immagini o video. Esplora la documentazione Modalità di previsione per varie fonti di inferenza.

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

  • Esporta il modello in diversi formati come ONNX, TensorRT o CoreML per la distribuzione. Fai riferimento alla guida Modalità di esportazione e alla pagina Integrazione ONNX.

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

Link to this sectionUtilizzare un notebook#

Se preferisci un'esperienza interattiva, puoi eseguire questi comandi all'interno di un notebook AzureML. Dovrai creare un kernel IPython personalizzato collegato al tuo ambiente Conda.

Link to this sectionCreare un nuovo kernel IPython#

Esegui i seguenti comandi nel terminale della tua istanza di calcolo:

# 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)"

Dopo aver creato il kernel, aggiorna il browser. Quando apri o crei un file notebook .ipynb, seleziona il tuo nuovo kernel ("Python (yolov5env)") dal menu a tendina del kernel in alto a destra.

Link to this sectionEseguire comandi nelle celle del notebook#

  • Celle Python: Il codice nelle celle Python verrà eseguito automaticamente utilizzando il kernel yolov5env selezionato.

  • Celle Bash: Per eseguire comandi shell, usa il comando magico %%bash all'inizio della cella. Ricordati di attivare il tuo ambiente Conda all'interno di ogni cella bash, poiché non ereditano automaticamente il contesto dell'ambiente del kernel del 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

Congratulazioni! Hai configurato ed eseguito con successo Ultralytics YOLOv5 su AzureML. Per ulteriori esplorazioni, prendi in considerazione di controllare altre Integrazioni Ultralytics o la dettagliata documentazione YOLOv5. Potresti anche trovare utile la documentazione AzureML per scenari avanzati come l'addestramento distribuito o la distribuzione del modello come endpoint.

Collaboratori
GLglenn-jocher1

Commenti