Ultralytics YOLOv5 🚀 su AzureML - Guida rapida

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 di AzureML, coprendo tutto, dalla creazione di un ambiente virtuale all'addestramento e all'esecuzione dell'inferenza con il modello.

Cos'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 consente 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.

Cos'è Azure Machine Learning (AzureML)?

Azure Machine Learning (AzureML) è un servizio cloud specializzato progettato per lo sviluppo, l'addestramento e la distribuzione di 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 machine learning automatizzato (AutoML), un'interfaccia drag-and-drop per la creazione di modelli e un potente SDK Python per un controllo più granulare sul ciclo di vita del ML. AzureML semplifica il processo di integrazione della modellazione predittiva nelle applicazioni.

Prerequisiti

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

Crea un'istanza di calcolo

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

1. Passa alla tua area di lavoro AzureML.
2. Nel riquadro a sinistra, seleziona Compute (Calcolo).
3. Vai alla scheda Compute instances (Istanze di calcolo) e clicca su New (Nuovo).
4. Configura la tua istanza selezionando le risorse CPU o GPU appropriate in base alle tue esigenze di addestramento o inferenza.

Apri 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 a sinistra.
2. Trova la tua istanza di calcolo nel menu a discesa in alto.
3. Clicca sull'opzione Terminal sotto il browser dei file per aprire un'interfaccia a riga di comando verso la tua istanza.

Configura ed esegui YOLOv5

Ora, configuriamo l'ambiente ed eseguiamo Ultralytics YOLOv5.

Crea un ambiente virtuale

It's best practice to use a virtual environment to manage dependencies. We'll use Conda, which is pre-installed on AzureML compute instances. For a detailed Conda setup guide, see the Ultralytics Conda Quickstart Guide.

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

Clona il repository di 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

Installa le dipendenze

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

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

Esegui le attività di YOLOv5

Con la configurazione completata, ora puoi addestrare, convalidare, eseguire inferenze ed esportare il tuo modello YOLOv5.

• Addestra (Train) il modello su un dataset come COCO128. Controlla la documentazione della 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

• Convalida (Validate) le prestazioni del modello addestrato usando metriche come Precision, Recall e mAP. Vedi la guida alla Modalità di convalida 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 della Modalità di predizione 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 formati diversi come ONNX, TensorRT o CoreML per la distribuzione. Fai riferimento alla guida alla Modalità di esportazione e alla pagina Integrazione ONNX.

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

Uso di un Notebook

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

Crea un nuovo IPython kernel

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 discesa del kernel in alto a destra.

Esecuzione di 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. Ricorda di attivare il tuo ambiente Conda all'interno di ogni cella bash, poiché non ereditano automaticamente il contesto dell'ambiente 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 un ulteriore approfondimento, prendi in considerazione di dare un'occhiata ad altre Integrazioni Ultralytics o alla dettagliata documentazione di YOLOv5. Potresti trovare utile anche la documentazione di AzureML per scenari avanzati come l'addestramento distribuito o la distribuzione di modelli come endpoint.