YOLOv5 🚀 su AzureML

Che cos'è Azure?

Azure è la piattaforma di cloud computing di Microsoft, progettata per aiutare le organizzazioni a spostare i carichi di lavoro nel cloud dai data center on-premise. Grazie a una gamma completa di servizi cloud, tra cui elaborazione, database, analisi, apprendimento automatico e networking, gli utenti possono scegliere tra questi servizi per sviluppare e scalare nuove applicazioni o eseguire quelle esistenti nel cloud pubblico.

Che cos'è Azure Machine Learning (AzureML)?

Azure Machine Learning, comunemente chiamato AzureML, è un servizio cloud completamente gestito che consente a data scientist e sviluppatori di incorporare in modo efficiente l'analisi predittiva nelle loro applicazioni. AzureML offre una serie di servizi e funzionalità volti a rendere l'apprendimento automatico accessibile, facile da usare e scalabile, fornendo funzionalità come l'apprendimento automatico automatizzato, l'addestramento di modelli drag-and-drop e un robusto SDK Python .

Prerequisiti

Prima di iniziare, è necessario disporre di uno spazio di lavoro AzureML. Se non ne avete uno, potete creare un nuovo spazio di lavoro seguendo la documentazione ufficiale di Azure.

Creare un'istanza di calcolo

Nell'area di lavoro AzureML, selezionate Compute > Istanze di calcolo > Nuovo e selezionate l'istanza con le risorse necessarie.

Aprire un terminale

Dalla vista Notebook, aprire un Terminale e selezionare il computer.

Configurazione ed esecuzione YOLOv5

Creare un ambiente virtuale

Creare un ambiente conda con la versione di Python preferita:

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

Clonare il repository YOLOv5

Clonare il repository YOLOv5 con i suoi sottomoduli:

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

Installare le dipendenze

Installare le dipendenze necessarie:

pip install -r requirements.txt
pip install onnx

Eseguire le attività YOLOv5

Addestrare il modello YOLOv5 :

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

Validare il modello per precisione, richiamo e mAP:

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

Eseguire l'inferenza sulle immagini:

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

Esportazione di modelli in altri formati (come ONNX):

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

Utilizzo di un taccuino

Se preferite usare un blocco note invece del terminale, dovrete creare un nuovo Kernel e selezionarlo nella parte superiore del vostro blocco note.

Creare un nuovo kernel IPython

Dal terminale di calcolo:

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"

Quando si creano celle Python nel blocco note, queste useranno automaticamente l'ambiente personalizzato. Per le celle bash , è necessario attivare l'ambiente in ogni cella:

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

📅C reato 1 anno fa ✏️ Aggiornato 8 giorni fa

Commenti