Ultralytics YOLOv5 🚀 в AzureML: быстрое начало

Добро пожаловать в руководство по быстрому началу работы с Ultralytics YOLOv5 для Microsoft Azure Machine Learning (AzureML)! Это руководство поможет тебе настроить YOLOv5 на вычислительном экземпляре AzureML, охватывая все этапы: от создания виртуальной среды до обучения и запуска инференса с помощью модели.

Что такое Azure?

Azure — это комплексная платформа облачных вычислений от Microsoft. Она предлагает широкий спектр сервисов, включая вычислительные мощности, базы данных, инструменты аналитики, возможности машинного обучения и сетевые решения. Azure позволяет организациям создавать, развертывать и управлять приложениями и сервисами через центры обработки данных под управлением Microsoft, облегчая перенос рабочих нагрузок из локальной инфраструктуры в облако.

Что такое Azure Machine Learning (AzureML)?

Azure Machine Learning (AzureML) — это специализированный облачный сервис, предназначенный для разработки, обучения и развертывания моделей машинного обучения. Он предоставляет среду для совместной работы с инструментами, подходящими для специалистов по анализу данных и разработчиков любого уровня подготовки. Ключевые функции включают автоматизированное машинное обучение (AutoML), интерфейс перетаскивания (drag-and-drop) для создания моделей и мощный Python SDK для более детального контроля жизненного цикла ML. AzureML упрощает процесс внедрения прогнозного моделирования в приложения.

Предварительные требования

Для работы с этим руководством тебе потребуется активная подписка Azure и доступ к рабочей области AzureML. Если у тебя еще нет настроенной рабочей области, обратись к официальной документации Azure, чтобы создать ее.

Создание вычислительного экземпляра

Вычислительный экземпляр в AzureML предоставляет управляемую облачную рабочую станцию для специалистов по анализу данных.

1. Перейди в свою рабочую область AzureML.
2. На левой панели выбери Compute (Вычисления).
3. Перейди на вкладку Compute instances (Вычислительные экземпляры) и нажми New (Создать).
4. Настрой свой экземпляр, выбрав соответствующие ресурсы CPU или GPU в зависимости от твоих потребностей в обучении или инференсе.

Открытие терминала

Как только твой вычислительный экземпляр будет запущен, ты сможешь получить доступ к его терминалу прямо из студии AzureML.

1. Перейди в раздел Notebooks (Блокноты) на левой панели.
2. Найди свой вычислительный экземпляр в верхнем выпадающем меню.
3. Нажми на опцию Terminal (Терминал) под файловым браузером, чтобы открыть интерфейс командной строки для твоего экземпляра.

Настройка и запуск YOLOv5

Теперь давай настроим среду и запустим Ultralytics YOLOv5.

Создание виртуальной среды

Использование виртуальной среды для управления зависимостями — это лучшая практика. Мы будем использовать Conda, которая предустановлена на вычислительных экземплярах AzureML. Подробное руководство по настройке Conda см. в руководстве по быстрому запуску Conda от Ultralytics.

Создай среду Conda (например, yolov5env) с определенной версией Python и активируй ее:

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

Клонирование репозитория YOLOv5

Клонируй официальный репозиторий Ultralytics YOLOv5 с GitHub, используя 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

Установка зависимостей

Установи необходимые пакеты Python, перечисленные в файле requirements.txt. Мы также устанавливаем ONNX для возможностей экспорта моделей.

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

Выполнение задач YOLOv5

После завершения настройки ты можешь обучать, проверять, выполнять инференс и экспортировать свою модель YOLOv5.

• Обучай (Train) модель на таком наборе данных, как COCO128. Ознакомься с документацией по режиму обучения (Training Mode) для получения дополнительной информации.

  # 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

• Проверяй (Validate) эффективность обученной модели с помощью таких метрик, как Precision, Recall и mAP. См. руководство по режиму проверки (Validation Mode) для ознакомления с доступными опциями.

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

• Запускай инференс (Run Inference) на новых изображениях или видео. Изучи документацию по режиму предсказания (Prediction Mode) для различных источников инференса.

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

• Экспортируй (Export) модель в различные форматы, такие как ONNX, TensorRT или CoreML для развертывания. Обратись к руководству по режиму экспорта (Export Mode) и странице интеграции с ONNX.

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

Использование блокнота

Если ты предпочитаешь интерактивный подход, ты можешь выполнять эти команды в блокноте AzureML. Тебе нужно будет создать пользовательское ядро IPython (IPython kernel), связанное с твоей средой Conda.

Создание нового ядра IPython

Выполни следующие команды в терминале твоего вычислительного экземпляра:

# 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)"

После создания ядра обнови страницу браузера. Когда ты откроешь или создашь файл блокнота .ipynb, выбери свое новое ядро ("Python (yolov5env)") в выпадающем меню ядра в правом верхнем углу.

Выполнение команд в ячейках блокнота

• Ячейки Python: код в ячейках Python будет автоматически выполняться с использованием выбранного ядра yolov5env.

• Ячейки Bash: чтобы запустить команды оболочки, используй магическую команду %%bash в начале ячейки. Не забывай активировать свою среду Conda внутри каждой ячейки bash, так как они не наследуют контекст среды ядра блокнота автоматически.

  %%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

Поздравляю! Ты успешно настроил и запустил Ultralytics YOLOv5 в AzureML. Для дальнейшего изучения рассмотри возможность ознакомления с другими интеграциями Ultralytics или подробной документацией по YOLOv5. Тебе также может пригодиться документация AzureML для решения сложных задач, таких как распределенное обучение или развертывание моделей в качестве конечных точек (endpoints).