AzureML에서의 Ultralytics YOLOv5 🚀 퀵스타트

Microsoft Azure Machine Learning(AzureML)을 위한 Ultralytics YOLOv5 퀵스타트 가이드에 오신 것을 환영합니다! 이 가이드는 AzureML 컴퓨팅 인스턴스에서 YOLOv5를 설정하고 가상 환경 생성부터 모델 학습 및 추론 실행까지의 모든 과정을 안내합니다.

Azure란 무엇인가요?

Azure는 Microsoft의 종합 클라우드 컴퓨팅 플랫폼입니다. 이 플랫폼은 컴퓨팅 성능, 데이터베이스, 분석 도구, 머신 러닝 기능 및 네트워킹 솔루션을 포함한 광범위한 서비스를 제공합니다. Azure를 통해 조직은 Microsoft가 관리하는 데이터 센터를 활용하여 애플리케이션과 서비스를 구축, 배포 및 관리할 수 있으며 온프레미스 인프라에서 클라우드로의 워크로드 마이그레이션을 지원합니다.

Azure Machine Learning(AzureML)이란 무엇인가요?

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

사전 요구 사항

이 가이드를 따라 하려면 활성화된 Azure 구독과 AzureML 작업 영역(workspace)에 대한 액세스 권한이 필요합니다. 아직 작업 영역이 설정되지 않은 경우 공식 Azure 문서를 참조하여 생성하십시오.

컴퓨팅 인스턴스 생성

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

1. AzureML 작업 영역으로 이동합니다.
2. 왼쪽 창에서 **Compute(컴퓨팅)**를 선택합니다.
3. Compute instances(컴퓨팅 인스턴스) 탭으로 이동하여 **New(새로 만들기)**를 클릭합니다.
4. 학습 또는 추론에 필요한 요구 사항에 따라 적절한 CPU 또는 GPU 리소스를 선택하여 인스턴스를 구성합니다.

터미널 열기

컴퓨팅 인스턴스가 실행되면 AzureML 스튜디오에서 직접 터미널에 액세스할 수 있습니다.

1. 왼쪽 창의 Notebooks(노트북) 섹션으로 이동합니다.
2. 상단 드롭다운 메뉴에서 컴퓨팅 인스턴스를 찾습니다.
3. 파일 브라우저 아래에 있는 Terminal(터미널) 옵션을 클릭하여 인스턴스에 대한 명령줄 인터페이스를 엽니다.

YOLOv5 설정 및 실행

이제 환경을 설정하고 Ultralytics YOLOv5를 실행해 보겠습니다.

가상 환경 생성

종속성을 관리하기 위해 가상 환경을 사용하는 것이 좋습니다. AzureML 컴퓨팅 인스턴스에 사전 설치된 Conda를 사용하겠습니다. 자세한 Conda 설정 가이드는 Ultralytics Conda 퀵스타트 가이드를 참조하십시오.

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

YOLOv5 저장소 복제

Clone the official Ultralytics YOLOv5 repository from GitHub using 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

종속성 설치

requirements.txt 파일에 나열된 필요한 Python 패키지를 설치합니다. 또한 모델 내보내기 기능을 위해 ONNX도 설치합니다.

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

YOLOv5 작업 수행

설정이 완료되면 이제 YOLOv5 모델을 학습, 검증, 추론 및 내보내기할 수 있습니다.

• COCO128와 같은 데이터셋으로 모델을 **학습(Train)**합니다. 자세한 내용은 학습 모드 문서를 확인하십시오.

  # 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, mAP와 같은 지표를 사용하여 학습된 모델의 성능을 **검증(Validate)**합니다. 옵션은 검증 모드 가이드를 참조하십시오.

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

• 새 이미지나 동영상에 대해 **추론(Run Inference)**을 실행합니다. 다양한 추론 소스에 대한 내용은 예측 모드 문서를 살펴보십시오.

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

• 배포를 위해 모델을 ONNX, TensorRT 또는 CoreML과 같은 다양한 형식으로 **내보내기(Export)**합니다. 내보내기 모드 가이드와 ONNX 통합 페이지를 참조하십시오.

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

노트북 사용

대화형 환경을 선호하는 경우 AzureML 노트북 내에서 이 명령들을 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 고침합니다. .ipynb 노트북 파일을 열거나 생성할 때, 오른쪽 상단의 커널 드롭다운 메뉴에서 새 커널("Python (yolov5env)")을 선택하십시오.

노트북 셀에서 명령 실행

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

• Bash 셀: 셸 명령을 실행하려면 셀 시작 부분에 %%bash 매직 명령을 사용하십시오. 각 bash 셀은 노트북 커널 환경 컨텍스트를 자동으로 상속하지 않으므로 각 셀 내에서 Conda 환경을 활성화해야 합니다.

  %%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. 추가 학습을 위해 다른 Ultralytics 통합 또는 자세한 YOLOv5 문서를 확인해 보십시오. 분산 학습이나 엔드포인트로서의 모델 배포와 같은 고급 시나리오의 경우 AzureML 문서도 유용할 것입니다.