Ultralytics YOLOv5 🚀 no Guia de Início Rápido do AzureML
Bem-vindo à YOLOv5 guia de início rápido para o Microsoft Azure Machine Learning (AzureML)! Este guia vai te conduzir pela configuração do YOLOv5 em uma instância de computação do AzureML, cobrindo tudo, desde a criação de um ambiente virtual até o treinamento e a execução de inferência com o modelo.
O que é o Azure?
Azure é a plataforma abrangente da Microsoft de cloud computing plataforma. Ela oferece uma vasta gama de serviços, incluindo poder de computação, bancos de dados, ferramentas de análise, machine learning capacidades e soluções de rede. O Azure permite que organizações criem, implantem e gerenciem aplicações e serviços por meio de centros de dados gerenciados pela Microsoft, facilitando a migração de cargas de trabalho da infraestrutura local para a nuvem.
O Azure Machine Learning, geralmente chamado de AzureML, é um serviço de nuvem totalmente gerenciado que permite a cientistas de dados e desenvolvedores incorporar, de forma eficiente, análises preditivas em suas aplicações, ajudando organizações a utilizar grandes conjuntos de dados e trazer todos os benefícios da nuvem para o aprendizado de máquina. O AzureML oferece uma variedade de serviços e recursos destinados a tornar o aprendizado de máquina acessível, fácil de usar e escalável. Ele fornece recursos como aprendizado de máquina automatizado, treinamento de modelos do tipo arrastar e soltar, bem como um robusto SDK para Python, para que desenvolvedores possam aproveitar ao máximo seus modelos de aprendizado de máquina.
Azure Machine Learning (AzureML) é um serviço de nuvem especializado projetado para desenvolver, treinar e implantar modelos de machine learning. Ele fornece um ambiente colaborativo com ferramentas adequadas para cientistas de dados e desenvolvedores de todos os níveis de habilidade. Os principais recursos incluem aprendizado de máquina automatizado (AutoML), uma interface de arrastar e soltar para criação de modelos e um poderoso Python SDK para um controle mais granular sobre o ciclo de vida de ML. O AzureML simplifica o processo de incorporar modelagem preditiva em aplicações.
Antes de começar, certifique-se de que você tem acesso a um workspace do AzureML. Se você ainda não tem um, pode criar um novo
Para seguir este guia, você precisará de uma assinatura do Azure ativa e acesso a um seguindo a documentação oficial do Azure. Este workspace atua como um local centralizado para gerenciar todos os recursos do AzureML.. Se você não tiver um workspace configurado, por favor consulte a documentação do Azure oficial para criar um.
: A partir do seu workspace do AzureML, navegue até Compute > Compute instances > New e selecione a instância necessária.
Uma instância de computação no AzureML fornece uma estação de trabalho baseada em nuvem gerenciada para cientistas de dados.
- Navegue até o seu workspace do AzureML.
- No painel esquerdo, selecione Compute.
- Vá para a aba Compute instances e clique em New.
- Configure sua instância selecionando a CPU ou GPU recursos apropriados com base em suas necessidades para treinamento ou inferência.
Abra um Terminal
Assim que sua instância de computação estiver em execução, você pode acessar seu terminal diretamente do estúdio do AzureML.
- Vá para a aba Notebooks seção no painel esquerdo.
- Encontre sua instância de computação no menu suspenso superior.
- Clique na opção Terminal abaixo do navegador de arquivos para abrir uma interface de linha de comando para sua instância.
Configurar e executar o YOLOv5
Agora, vamos configurar o ambiente e executar o Ultralytics YOLOv5.
1. Criar um Ambiente Virtual
É uma boa prática usar um ambiente virtual para gerenciar dependências. Usaremos Conda, que já vem pré-instalado nas instâncias de computação do AzureML. Para um guia detalhado de configuração do Conda, veja o Guia de Início Rápido do Conda.
da Ultralytics. Crie um ambiente Conda (por exemplo, yolov5env) com uma versão específica do Python e ative-o:
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 installed2. Clonar o Repositório do YOLOv5
Clone o repositório oficial do Ultralytics YOLOv5 do GitHub usando 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 --recursive3. Instalar Dependências
Instale os pacotes Python necessários listados no arquivo requirements.txt. Também instalamos o ONNX para capacidades de exportação de modelos.
pip install -r requirements.txt # Install core dependencies
pip install "onnx>=1.12.0" # Install ONNX for exporting4. Executar Tarefas do YOLOv5
Com a configuração concluída, você pode agora treinar, validar, realizar inferência e exportar seu modelo YOLOv5.
-
Train o modelo em um dataset como COCO128. Confira a documentação do Modo de Treinamento para mais detalhes.
# 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 -
Valide o desempenho do modelo treinado usando métricas como Precisão, Recall, e mAP. Veja o Modo de Validação guia para opções.
# Validate the yolov5s model on the COCO128 validation set python val.py --weights yolov5s.pt --data coco128.yaml --img 640 -
Executar Inferência em novas imagens ou vídeos. Explore a Modo de Previsão documentação para várias fontes de inferência.
# Run inference with yolov5s on sample images python detect.py --weights yolov5s.pt --source data/images --img 640 -
Export o modelo para diferentes formatos como ONNX, TensorRT, ou CoreML para implantação. Consulte o Modo de Exportação (Export Mode) guia e a Integração ONNX.
# Export yolov5s to ONNX format python export.py --weights yolov5s.pt --include onnx --img 640
Usando um Notebook
Se você prefere uma experiência interativa, pode executar esses comandos dentro de um Notebook do AzureML. Você precisará criar um IPython kernel personalizado vinculado ao seu ambiente Conda.
Criar um Novo IPython Kernel
Execute os seguintes comandos no terminal da sua instância de computação:
# 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)"Após criar o kernel, atualize seu navegador. Quando abrir ou criar um arquivo de .ipynb notebook, selecione seu novo kernel ("Python (yolov5env)") no menu suspenso de kernel no canto superior direito.
Executando Comandos em Células de Notebook
-
Células Python: O código em células Python será executado automaticamente usando o
yolov5envkernel selecionado. -
Células Bash: Para executar comandos de shell, use o
%%bashcomando mágico no início da célula. Lembre-se de ativar seu ambiente Conda dentro de cada célula bash, pois elas não herdam automaticamente o contexto do ambiente do kernel do notebook.%%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
Parabéns! Você configurou e executou com sucesso o Ultralytics YOLOv5 no AzureML. Para exploração posterior, considere verificar outras Integrações Ultralytics ou a documentação do YOLOv5 detalhada. Você também pode achar a documentação do AzureML útil para cenários avançados como treinamento distribuído ou implantação de modelo como um endpoint.