YOLOv8 AzureML上の🚀。

アジュールとは？

AzureはMicrosoft のクラウド・コンピューティング・プラットフォームで、企業がワークロードをオンプレミスのデータセンターからクラウドに移行するのを支援するように設計されている。コンピューティング、データベース、アナリティクス、機械学習、ネットワーキングなど、あらゆるクラウドサービスが揃っており、ユーザーはこれらのサービスから好きなものを選んで、パブリッククラウド上で新しいアプリケーションを開発・拡張したり、既存のアプリケーションを実行したりすることができる。

Azure Machine Learning（AzureML）とは？

Azure Machine Learning（通称AzureML）は、データサイエンティストや開発者がアプリケーションに予測分析を効率的に組み込むことを可能にするフルマネージドクラウドサービスで、組織が膨大なデータセットを利用し、機械学習にクラウドのあらゆるメリットをもたらすことを支援します。AzureMLは、機械学習を利用しやすく、使いやすく、スケーラブルにすることを目的としたさまざまなサービスと機能を提供する。AzureMLは、自動機械学習、ドラッグ・アンド・ドロップによるモデルトレーニング、堅牢なPython SDKなどの機能を提供し、開発者が機械学習モデルを最大限に活用できるようにします。

AzureML はYOLO ユーザーにどのようなメリットをもたらすのか？

YOLO (You Only Look Once)のユーザーにとって、AzureMLは機械学習モデルのトレーニングとデプロイの両方に、堅牢でスケーラブルかつ効率的なプラットフォームを提供します。AzureMLの柔軟でユーザーフレンドリーな環境は、迅速なプロトタイプの実行から、より広範なデータを扱うためのスケールアップまで、ニーズに合わせてさまざまなツールやサービスを提供します。AzureMLを活用することで、次のことが可能になります：

• トレーニングのための大規模なデータセットと計算リソースを簡単に管理できます。
• データ前処理、特徴選択、モデルトレーニングのための組み込みツールを活用。
• モデルやデータのモニタリング、監査、バージョン管理など、MLOps（機械学習オペレーション）の機能により、より効率的なコラボレーションを実現。

この後のセクションでは、AzureML を使ってYOLOv8 オブジェクト検出モデルを実行する方法を、コンピュートターミナルまたはノートブックからのクイックスタートガイドで詳しく説明します。

前提条件

始める前に、AzureML ワークスペースにアクセスできることを確認してください。お持ちでない場合は、Azure の公式ドキュメントに従って、新しいAzureML ワークスペースを作成できます。このワークスペースは、すべてのAzureMLリソースを一元管理する場所として機能します。

コンピュート・インスタンスの作成

AzureMLワークスペースから、Compute > Compute instances > Newを選択し、必要なリソースを持つインスタンスを選択します。

ターミナルからのクイックスタート

コンピュータを起動し、ターミナルを開く：

仮想envの作成

condaのvirtualenvを作成し、そこにpipをインストールする：

conda create --name yolov8env -y
conda activate yolov8env
conda install pip -y

必要な依存関係をインストールします：

cd ultralytics
pip install -r requirements.txt
pip install ultralytics
pip install onnx>=1.12.0

YOLOv8 タスクの実行

予想する：

yolo predict model=yolov8n.pt source='https://ultralytics.com/images/bus.jpg'

検出モデルを初期学習速度0.01で10エポック学習させる：

yolo train data=coco8.yaml model=yolov8n.pt epochs=10 lr0=0.01

Ultralytics CLI の詳しい使い方はこちらをご覧ください。

ノートブックからのクイックスタート

新しいIPythonカーネルを作る

コンピュートターミナルを開きます。

計算ターミナルから、依存関係を管理するためにノートブックで使用する新しいipykernelを作成する必要があります：

conda create --name yolov8env -y
conda activate yolov8env
conda install pip -y
conda install ipykernel -y
python -m ipykernel install --user --name yolov8env --display-name "yolov8env"

ターミナルを閉じ、新しいノートブックを作成します。ノートブックから新しいカーネルを選択できます。

それからノートブックのセルを開き、必要な依存関係をインストールすることができる：

%%bash
source activate yolov8env
cd ultralytics
pip install -r requirements.txt
pip install ultralytics
pip install onnx>=1.12.0

を使用する必要があることに注意してください。 source activate yolov8env bashセルが私たちの望む環境を使うようにするためです。

を使っていくつかの予測を実行する。 Ultralytics CLI:

%%bash
source activate yolov8env
yolo predict model=yolov8n.pt source='https://ultralytics.com/images/bus.jpg'

あるいは、Ultralytics Python インターフェイスを使って、例えばモデルをトレーニングする：

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.pt")  # load an official YOLOv8n model

# Use the model
model.train(data="coco8.yaml", epochs=3)  # train the model
metrics = model.val()  # evaluate model performance on the validation set
results = model("https://ultralytics.com/images/bus.jpg")  # predict on an image
path = model.export(format="onnx")  # export the model to ONNX format

YOLOv8 タスクの実行には、上記のターミナルのセクションで説明したように、Ultralytics CLI またはPython インターフェイスのいずれかを使用することができます。

これらのステップに従うことで、YOLOv8 を AzureML 上で素早く動作させることができるようになります。より高度な使い方については、このガイドの冒頭にリンクされている AzureML の完全なドキュメントを参照してください。

AzureMLでもっと調べる

このガイドは、YOLOv8 on AzureML を使い始めるための入門書です。しかし、AzureML が提供できることの表面をなぞっただけです。より深く掘り下げ、機械学習プロジェクトのためにAzureMLの可能性をフルに引き出すには、以下のリソースを調べることを検討してください：

• データアセットの作成：AzureML環境内でデータアセットを効果的にセットアップし、管理する方法を学びます。
• AzureMLジョブを開始します：AzureMLで機械学習トレーニングのジョブを開始する方法を包括的に理解しましょう。
• モデルを登録する登録、バージョニング、デプロイメントを含むモデル管理のプラクティスに慣れる。
• AzureMLPython SDKでYOLOv8 ：AzureMLPython SDK を使用してYOLOv8 モデルをトレーニングするためのステップバイステップガイドをご覧ください。
• TrainYOLOv8 with AzureMLCLI: AzureML上のYOLOv8 モデルのトレーニングと管理を効率化するコマンドラインインターフェイスの活用方法をご紹介します。

よくあるご質問

モデルトレーニングのためにAzureML上でYOLOv8 。

モデルトレーニングのためにAzureML上でYOLOv8 ：

1. コンピュートインスタンスを作成します：AzureML ワークスペースから、Compute > Compute instances > New に移動し、必要なインスタンスを選択します。

2. 環境をセットアップする：コンピュートインスタンスを起動し、ターミナルを開き、conda環境を作成する：

   conda create --name yolov8env -y
   conda activate yolov8env
   conda install pip -y
   pip install ultralytics onnx>=1.12.0
   

3. YOLOv8 タスクを実行する：Ultralytics CLI を使ってモデルをトレーニングする：

   yolo train data=coco8.yaml model=yolov8n.pt epochs=10 lr0=0.01
   

詳しくは、 Ultralytics CLI の 使い方をご参照ください。

YOLOv8 トレーニングにAzureMLを使うメリットは何ですか？

AzureML は、YOLOv8 モデルをトレーニングするための堅牢で効率的なエコシステムを提供します：

• スケーラビリティ：データやモデルの複雑さに応じて、コンピュートリソースを簡単に拡張できます。
• MLOpsの統合：バージョン管理、モニタリング、監査などの機能を活用し、MLの運用を効率化する。
• コラボレーション：チーム内でリソースを共有・管理し、コラボレーションワークフローを強化します。

これらの利点により、AzureMLは迅速なプロトタイプから大規模なデプロイメントまで、さまざまなプロジェクトに理想的なプラットフォームとなっています。詳細については、AzureML Jobsをご覧ください。

AzureMLでYOLOv8 、よくある問題のトラブルシューティングはどうすればいいのでしょうか？

AzureMLのYOLOv8 、よくある問題のトラブルシューティングは以下の手順で行います：

• 依存の問題:必要なパッケージがすべてインストールされていることを確認してください。以下の requirements.txt ファイルに依存する。
• 環境のセットアップ：コマンドを実行する前に、conda環境が正しく起動していることを確認する。
• リソースの割り当て：トレーニングのワークロードを処理するのに十分なリソースをコンピュートインスタンスが持っていることを確認します。

その他のガイダンスについては、YOLO Common Issuesのドキュメントをご覧ください。

AzureML でUltralytics CLI とPython の両方のインターフェイスを使うことはできますか？

はい、AzureML ではUltralytics CLI とPython の両方のインターフェイスをシームレスに使用できます：

• CLI:クイックタスクや標準スクリプトをターミナルから直接実行するのに理想的。

  yolo predict model=yolov8n.pt source='https://ultralytics.com/images/bus.jpg'
  

• Python インターフェース：カスタムコーディングやノートブック内での統合を必要とする、より複雑なタスクに便利です。

  from ultralytics import YOLO
  
  model = YOLO("yolov8n.pt")
  model.train(data="coco8.yaml", epochs=3)
  

より詳細な手順については、こちらと こちらのクイックスタートガイドをご参照ください。

Ultralytics YOLOv8 を使う利点は？

Ultralytics YOLOv8 は、競合する物体検出モデルに対していくつかのユニークな利点を提供する：

• スピード：Faster R-CNNやSSDのようなモデルと比較して、推論と学習時間が速い。
• 精度：アンカーフリー設計や強化された増強戦略などの特徴により、検出タスクにおいて高い精度を実現。
• 使いやすさ：直感的なAPIとCLI 、迅速なセットアップが可能。

YOLOv8 の機能について詳しく知りたい方は、以下のページをご覧ください。 Ultralytics YOLOページをご覧ください。

コメント