AzureML의 Ultralytics YOLOv5 🚀 빠른 시작#

Microsoft Azure Machine Learning (AzureML)의 Ultralytics YOLOv5 빠른 시작 가이드에 오신 것을 환영합니다! 이 가이드에서는 가상 환경 생성부터 모델 학습 및 추론 실행까지 AzureML 컴퓨팅 인스턴스에서 YOLOv5를 설정하는 전체 과정을 안내합니다.

Azure란 무엇인가요?#

Azure는 Microsoft의 종합적인 클라우드 컴퓨팅 플랫폼입니다. 컴퓨팅 성능, 데이터베이스, 분석 도구, 머신 러닝 기능, 네트워킹 솔루션을 비롯한 다양한 서비스를 제공합니다. Azure를 사용하면 조직에서 Microsoft가 관리하는 데이터 센터를 통해 애플리케이션과 서비스를 구축, 배포 및 관리할 수 있으며, 온프레미스 인프라에서 클라우드로 워크로드를 쉽게 마이그레이션할 수 있습니다.

Azure Machine Learning(AzureML)이란 무엇인가요?#

Azure Machine Learning(AzureML)은 머신 러닝 모델의 개발, 학습 및 배포를 위해 설계된 특화된 클라우드 서비스입니다. 모든 수준의 데이터 과학자와 개발자에게 적합한 도구를 갖춘 협업 환경을 제공합니다. 주요 기능으로는 자동화된 머신 러닝(AutoML), 모델 생성을 위한 드래그 앤 드롭 인터페이스, ML 수명 주기를 세밀하게 제어할 수 있는 강력한 Python SDK가 있습니다. AzureML은 애플리케이션에 예측 모델링을 통합하는 과정을 간소화합니다.

필수 조건#

이 가이드를 따르려면 활성 Azure 구독과 AzureML 작업 영역에 대한 액세스 권한이 필요합니다. 작업 영역을 아직 설정하지 않았다면 공식 Azure 설명서를 참조하여 생성하시기 바랍니다.

컴퓨팅 인스턴스 생성#

AzureML의 컴퓨팅 인스턴스는 데이터 과학자를 위한 관리형 클라우드 기반 워크스테이션을 제공합니다.

1. AzureML 작업 영역으로 이동합니다.
2. 왼쪽 창에서 Compute를 선택합니다.
3. Compute instances 탭으로 이동한 다음 New를 클릭합니다.
4. 학습 또는 추론 요구 사항에 따라 적절한 CPU 또는 GPU 리소스를 선택하여 인스턴스를 구성합니다.

터미널 열기#

컴퓨팅 인스턴스가 실행되면 AzureML 스튜디오에서 해당 터미널에 직접 액세스할 수 있습니다.

1. 왼쪽 창에서 Notebooks 섹션으로 이동합니다.
2. 상단 드롭다운 메뉴에서 컴퓨팅 인스턴스를 찾습니다.
3. 파일 브라우저 아래의 Terminal 옵션을 클릭하여 인스턴스에 대한 명령줄 인터페이스를 엽니다.

YOLOv5 설정 및 실행#

이제 환경을 설정하고 Ultralytics YOLOv5를 실행해 보겠습니다.

1. 가상 환경 생성#

종속성을 관리하려면 가상 환경을 사용하는 것이 좋습니다. AzureML 컴퓨팅 인스턴스에 사전 설치된 Conda를 사용하겠습니다. 자세한 Conda 설정 가이드는 Ultralytics Conda 빠른 시작 가이드를 참조하세요.

특정 Python 버전으로 Conda 환경(예: yolov5env)을 생성하고 활성화합니다:

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 리포지토리 복제#

Git을 사용하여 GitHub에서 공식 Ultralytics YOLOv5 리포지토리를 복제합니다:

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

3. 종속성 설치#

requirements.txt 파일에 나열된 필수 Python 패키지를 설치합니다. 또한 모델 내보내기 기능을 위해 ONNX를 설치합니다.

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

4. YOLOv5 작업 수행#

설정이 완료되면 YOLOv5 모델을 학습하고, 검증하고, 추론을 수행하고, 내보낼 수 있습니다.

• COCO128과 같은 데이터셋에서 모델을 학습합니다. 자세한 내용은 학습 모드 설명서를 확인하세요.

  # 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

• 정밀도, 재현율, mAP와 같은 지표를 사용하여 학습된 모델의 성능을 검증합니다. 옵션은 검증 모드 가이드를 참조하세요.

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

• 새 이미지 또는 동영상에서 추론을 실행합니다. 다양한 추론 소스는 예측 모드 설명서에서 확인할 수 있습니다.

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

• 배포를 위해 모델을 ONNX, TensorRT, CoreML과 같은 다양한 형식으로 내보냅니다. 내보내기 모드 가이드와 ONNX 통합 페이지를 참조하세요.

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

Notebook 사용#

대화형 환경을 선호한다면 AzureML Notebook에서 이러한 명령을 실행할 수 있습니다. Conda 환경에 연결된 사용자 지정 IPython 커널을 생성해야 합니다.

새 IPython 커널 생성#

컴퓨팅 인스턴스 터미널에서 다음 명령을 실행합니다:

# 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)"

커널을 생성한 후 브라우저를 새로 고칩니다. .ipynb Notebook 파일을 열거나 생성할 때 오른쪽 상단의 커널 드롭다운 메뉴에서 새 커널("Python (yolov5env)")을 선택합니다.

Notebook 셀에서 명령 실행#

• Python 셀: Python 셀의 코드는 선택한 yolov5env 커널을 사용하여 자동으로 실행됩니다.

• Bash 셀: 셸 명령을 실행하려면 셀의 시작 부분에 %%bash 매직 명령을 사용합니다. 각 bash 셀 내에서 Conda 환경을 활성화해야 합니다. bash 셀은 Notebook 커널의 환경 컨텍스트를 자동으로 상속하지 않기 때문입니다.

  %%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

축하합니다! AzureML에서 Ultralytics YOLOv5를 성공적으로 설정하고 실행했습니다. 더 살펴보려면 다른 Ultralytics 통합 또는 자세한 YOLOv5 설명서를 확인해 보세요. 분산 학습이나 엔드포인트로의 모델 배포와 같은 고급 시나리오에는 AzureML 설명서도 유용할 수 있습니다.