AzureMLでのUltralytics YOLOv5 🚀 クイックスタート#

このガイドでは、仮想環境の作成からモデルのトレーニング、推論の実行まで、Microsoft Azure Machine Learning（AzureML）のコンピューティングインスタンスに Ultralytics YOLOv5 をセットアップする手順を説明します。

Azure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す。コンピューティング能力、データベース、分析ツール、機械学習機能、ネットワークソリューションなどのサービスを提供しています。Azure を利用すると、Microsoft が管理するデータセンターを通じてアプリケーションやサービスを構築、デプロイ、管理でき、オンプレミスのインフラストラクチャからクラウドへのワークロード移行も容易になります。

Azure Machine Learning（AzureML）とは？#

Azure Machine Learning（AzureML）は、機械学習モデルの開発、トレーニング、デプロイ向けに設計された専用のクラウドサービスです。あらゆるスキルレベルのデータサイエンティストや開発者に適したツールを備え、共同作業環境を提供します。主な機能には、自動機械学習（AutoML）、モデル作成用のドラッグ＆ドロップインターフェイス、ML ライフサイクルを詳細に制御するための Python SDK があります。AzureML により、アプリケーションに予測モデリングを組み込むプロセスが簡素化されます。

前提条件#

このガイドに沿って作業するには、有効なAzureサブスクリプションとAzureMLワークスペースへのアクセスが必要です。ワークスペースをまだ設定していない場合は、公式のAzureドキュメントを参照して作成してください。

コンピューティングインスタンスを作成する#

AzureMLのコンピューティングインスタンスは、データサイエンティスト向けのマネージドクラウドワークステーションです。

1. AzureMLワークスペースに移動します。
2. 左側のペインでComputeを選択します。
3. Compute instancesタブに移動し、Newをクリックします。
4. トレーニングまたは推論のニーズに応じて、適切なCPUまたはGPUリソースを選択し、インスタンスを構成します。

ターミナルを開く#

コンピューティングインスタンスが起動したら、AzureML Studioから直接ターミナルにアクセスできます。

1. 左側のペインでNotebooksセクションに移動します。
2. 上部のドロップダウンメニューからコンピューティングインスタンスを探します。
3. ファイルブラウザーの下にあるTerminalをクリックすると、インスタンスのコマンドラインインターフェースが開きます。

YOLOv5のセットアップと実行#

次に、環境をセットアップして Ultralytics YOLOv5 を実行します。

1. 仮想環境を作成する#

依存関係の管理には、仮想環境を使用するのがベストプラクティスです。AzureMLコンピューティングインスタンスにプリインストールされているCondaを使用します。Condaのセットアップについて詳しくは、UltralyticsのCondaクイックスタートガイドをご覧ください。

特定のPythonバージョンを指定してConda環境（例：yolov5env）を作成し、有効化します。

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

2. YOLOv5リポジトリをクローンする#

Git を使用して、GitHub から公式の Ultralytics YOLOv5 リポジトリをクローンします。

git clone https://github.com/ultralytics/yolov5 # Clone the repository
cd yolov5                                       # Navigate into the directory

3. 依存関係をインストールする#

requirements.txtファイルに記載されている必要なPythonパッケージをインストールします。モデルのエクスポート機能を利用できるように、ONNXもインストールします。

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

4. YOLOv5のタスクを実行する#

セットアップが完了したら、YOLOv5モデルのトレーニング、検証、推論、エクスポートを実行できます。

• COCO128などのデータセットでモデルをトレーニングします。

  # 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

• Precision、Recall、mAPなどの指標を使って、トレーニング済みモデルの性能を検証します。すべてのオプションを確認するには、python val.py --helpを実行してください。

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

• 新しい画像や動画で推論を実行します。対応している推論ソースについては、YOLOv5クイックスタートをご覧ください。

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

• デプロイ用に、モデルをONNX、TensorRT、CoreMLなどのさまざまな形式にエクスポートします。モデルのエクスポートのチュートリアルとONNXインテグレーションのページを参照してください。

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

ノートブックを使用する#

対話的に操作したい場合は、AzureML Notebook内でこれらのコマンドを実行できます。Conda環境にリンクされたカスタムIPythonカーネルを作成する必要があります。

新しいIPythonカーネルを作成する#

コンピューティングインスタンスのターミナルで、次のコマンドを実行します。

# 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)"

カーネルを作成したら、ブラウザーを更新します。.ipynbノートブックファイルを開くか作成するときに、右上のカーネルのドロップダウンメニューから、新しいカーネル（"Python (yolov5env)"）を選択します。

ノートブックのセルでコマンドを実行する#

• Pythonセル：Pythonセル内のコードは、選択したyolov5envカーネルを使用して自動的に実行されます。

• Bashセル：シェルコマンドを実行するには、セルの先頭で%%bashマジックコマンドを使用します。Bashセルはノートブックのカーネル環境を自動的に引き継がないため、各Bashセル内でConda環境を有効化してください。

  %%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

これで、AzureML上にUltralytics YOLOv5をセットアップして実行できました。分散トレーニングやエンドポイントとしてのモデルデプロイなど、高度なシナリオについては、AzureMLのドキュメントも参考になります。

よくある質問#