AzureML 빠른 시작의 Ultralytics YOLOv5 🚀

Ultralytics 오신 것을 환영합니다. YOLOv5 빠른 시작 가이드에 오신 것을 환영합니다! 이 가이드는 가상 환경 만들기부터 모델을 사용한 훈련 및 추론 실행에 이르기까지 모든 것을 다루며 AzureML 컴퓨팅 인스턴스에서 YOLOv5 설정하는 과정을 안내합니다.

Azure란 무엇인가요?

Azure는 Microsoft 포괄적인 클라우드 컴퓨팅 플랫폼입니다. 컴퓨팅 성능, 데이터베이스, 분석 도구, 머신 러닝 기능, 네트워킹 솔루션 등 다양한 서비스를 제공합니다. Azure를 통해 조직은 Microsoft 데이터 센터를 통해 애플리케이션과 서비스를 빌드, 배포 및 관리할 수 있으므로 온-프레미스 인프라에서 클라우드로 워크로드를 쉽게 마이그레이션할 수 있습니다.

AzureML(Azure 머신 러닝)이란?

AzureML(Azure 머신 러닝 )은 머신 러닝 모델을 개발, 학습 및 배포하기 위해 설계된 전문 클라우드 서비스입니다. 모든 기술 수준의 데이터 과학자 및 개발자에게 적합한 도구가 포함된 공동 작업 환경을 제공합니다. 주요 기능으로는 자동화된 기계 학습(AutoML), 모델 생성을 위한 드래그 앤 드롭 인터페이스, 강력한 Python SDK를 통해 ML 수명 주기를 보다 세밀하게 제어할 수 있습니다. AzureML은 예측 모델링을 애플리케이션에 임베드하는 프로세스를 간소화합니다.

전제 조건

이 가이드를 따르려면 활성 Azure 구독이 있어야 하며 AzureML 워크스페이스에 액세스할 수 있어야 합니다. 워크스페이스가 설정되어 있지 않은 경우 공식 Azure 설명서를 참조하여 워크스페이스를 만드세요.

컴퓨트 인스턴스 생성

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

1. AzureML 작업 영역으로 이동합니다.
2. 왼쪽 창에서 계산을 선택합니다.
3. 인스턴스 계산 탭으로 이동하여 새로 만들기를 클릭합니다.
4. 적절한 CPU 또는 GPU 리소스를 선택하여 인스턴스를 구성하세요.

터미널 열기

컴퓨팅 인스턴스가 실행 중이면 AzureML 스튜디오에서 직접 터미널에 액세스할 수 있습니다.

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

YOLOv5 설정 및 실행

이제 환경을 설정하고 Ultralytics YOLOv5 실행해 보겠습니다.

1. 가상 환경 만들기

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

Conda 환경 만들기(예, yolov5env)를 특정 Python 버전으로 설정하고 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. 설치 종속성

에 나열된 필요한 Python 패키지를 설치합니다. requirements.txt 파일을 설치합니다. 또한 다음을 설치합니다. ONNX 를 사용하여 모델 내보내기 기능을 사용할 수 있습니다.

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

4. YOLOv5 작업 수행

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

• COCO128과 같은 데이터 세트에서 모델을 훈련합니다. 자세한 내용은 학습 모드 설명서를 참조하세요.

  # 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
  

• 정확도, 리콜, mAP 등의 메트릭을 사용하여 학습된 모델의 성능을 검증합니다. 옵션은 유효성 검사 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 소스에 대한 예측 모드 설명서를 살펴보세요.

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

• 모델을 ONNX 같은 다른 포맷으로 내보냅니다, TensorRT또는 CoreML 과 같은 다른 형식으로 내보냅니다. 내보내기 모드 가이드와 ONNX 통합 페이지를 참조하세요.

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

노트북 사용

대화형 환경을 선호하는 경우 AzureML 노트북에서 이러한 명령을 실행할 수 있습니다. Conda 환경에 연결된 사용자 지정 IPython 커널을 만들어야 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 만든 후 브라우저를 새로 고칩니다. 커널을 열거나 만들 때 .ipynb 노트북 파일을 열고 오른쪽 상단의 커널 드롭다운 메뉴에서 새 커널(Python (yolov5env)")을 선택합니다.

노트북 셀에서 명령 실행

• Python 셀: Python 셀에 있는 코드는 선택된 yolov5env 커널.

• Bash 셀: 셸 명령을 실행하려면 %%bash 마법 명령을 입력하세요. 노트북의 커널 환경 컨텍스트가 자동으로 상속되지 않으므로 각 bash 셀 내에서 Conda 환경을 활성화하는 것을 잊지 마세요.

  %%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 YOLOv5 성공적으로 설정하고 실행했습니다. 더 자세히 알아보려면 다른 Ultralytics 통합 또는 자세한 YOLOv5 설명서를 확인해 보세요. 분산 교육 또는 엔드포인트로서의 모델 배포와 같은 고급 시나리오에도 AzureML 설명서가 유용할 수 있습니다.

📅1 년 전 생성됨 ✏️ 3 개월 전 업데이트됨

댓글